Глубокое обучение для классификации гиперспектральных изображений: обзор
Deep Learning for Hyperspectral Image Classification: An Overview
2019-04-27
SCID: 54.1/pgm23k9m
Discuss with AI
глубокое обучениеклассификация гиперспектральных изображенийограниченное количество обучающих образцовспектральные сети признаковспектрально-пространственные сети
Figures from the paper
Abstract (AI)
Классификация гиперспектральных изображений (HSI) стала актуальной темой в области дистанционного зондирования. В целом сложные характеристики гиперспектральных данных затрудняют их точную классификацию традиционными методами машинного обучения. Кроме того, при гиперспектральной съемке часто имеет место по своей природе нелинейная связь между регистрируемой спектральной информацией и соответствующими материалами. В последние годы глубокое обучение признано эффективным инструментом извлечения признаков для решения нелинейных задач и широко применяется в ряде задач обработки изображений. Вдохновлённые этими успешными применениями, методы глубокого обучения были также внедрены для классификации HSI и показали хорошие результаты. В этой обзорной статье представлен систематический обзор литературы по классификации HSI на основе глубокого обучения и сопоставлены различные стратегии в этой области. Конкретно, мы сначала суммируем основные проблемы классификации HSI, которые не могут быть эффективно преодолены традиционными методами машинного обучения, и также описываем преимущества глубокого обучения для решения этих задач. Затем мы строим рамочную структуру, которая делит соответствующие работы на сети спектральных признаков, сети пространственных признаков и спектрально-пространственные сети признаков для систематического обзора недавних достижений в классификации HSI на основе глубокого обучения. Кроме того, учитывая факт того, что доступные обучающие образцы в области дистанционного зондирования обычно крайне ограничены, тогда как обучение глубоких сетей требует большого числа образцов, мы включаем некоторые стратегии для повышения качества классификации, которые могут служить руководством для будущих исследований в этой области. Наконец, в наших экспериментах несколько представительных методов классификации на основе глубокого обучения были протестированы на реальных HSI.
Key Findings
1
Глубокое обучение эффективно для извлечения признаков и решения нелинейных задач в классификации гиперспектральных изображений, демонстрируя хорошие результаты.
2
Существующие методы глубокого обучения для ГСИ можно разделить на сети спектральных признаков, пространственных признаков и спектрально-пространственных признаков.
3
Ограниченное количество размеченных обучающих образцов в дистанционном зондировании требует стратегий повышения качества классификации при обучении глубоких сетей.
4
Обзор включает экспериментальные сравнения с применением нескольких представительских методов глубокого обучения к реальным гиперспектральным изображениям.
5
Традиционные методы машинного обучения испытывают трудности в классификации ГСИ из-за сложных характеристик данных и нелинейных отношений спектр-материал.
Research Object
Задача классификации гиперспектральных изображений (HSI) / гиперспектральные изображения, подлежащие классификации
Research Subject
Применение методов глубокого обучения для извлечения спектральных, пространственных и спектро‑пространственных признаков и повышения точности классификации гиперспектральных изображений при ограниченном количестве обучающих образцов
Publication Details
Publication Date
2019-04-27
Journal
Publisher
ISSN
Cited by
2004
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Извлечение глубоких признаков и классификация гиперспектральных изображений на основе сверточных нейронных сетей2016
Глубокие сверточные нейронные сети для классификации гиперспектральных изображений2015
Работы, цитирующие эту статью4
Графовые сверточные нейронные сети для классификации гиперспектральных изображений2020
Классификация сцен на изображениях дистанционного зондирования с использованием глубокого обучения: проблемы, методы, эталонные наборы данных и перспективы2020
Классификация гиперспектральных изображений — от традиционных методов к глубоким моделям: обзор и перспективы2021
DSSFN: двухпоточная сеть с самовниманием и слиянием для эффективной классификации гиперспектральных изображений2023