深度迁移学习在高光谱图像分类中的运用

• 作者: 周国民 李吉明 杨东勇 王立伟
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 高光谱 深层残差网络 迁移学习
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 图形图像处理
• 页码范围: 181-186
• 页数: 6页
• 分类号: TP75
• 字数: 4908字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1805-0134

摘要

针对高光谱图像分类中,样本空间特征利用不足的问题.将深层残差网络作为特征提取器运用到高光谱图像分类中,利用深层残差网络更深的网络结构,挖掘样本邻域空间中的深层特征,实验证明此特征具有更好的可分性.同时,针对深层卷积网络有监督训练的过程中,由于有标签样本不足导致的过拟合现象,提出基于深度迁移学习方法的训练策略,通过迁移网络在另一相关数据集中训练得到的网络浅层卷积核参数,再使用目标数据集对深层卷积核参数进行微调,提高了残差网络在少量有标签样本情况下的分类效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨东勇	浙江工业大学信息工程学院	69	521	11.0	19.0
2	周国民	浙江警察学院计算机与信息技术系	25	125	5.0	10.0
3	李吉明	浙江警察学院计算机与信息技术系	7	29	2.0	5.0
4	王立伟	浙江工业大学信息工程学院	1	7	1.0	1.0