研究目的
提出一种新颖的半监督框架，用于遥感图像场景分类，该框架利用卷积神经网络特征和集成学习来克服标注样本有限的挑战。
研究成果
该框架通过利用卷积神经网络特征和集成学习，在遥感图像半监督场景分类中展现出卓越性能，尤其在标注数据有限的情况下。它在大规模和热门数据集上优于主流方法。
研究不足
该框架的性能可能会受到集成学习参数的影响，而当标注数据充足时，使用未标注数据可能会引入噪声。
1：实验设计与方法选择：
该框架采用CNN进行特征提取，并使用集成学习进行半监督分类。
2：样本选择与数据来源：
利用AID、UC-Merced和WHU-RS数据集。
3：实验设备与材料清单：
使用ResNet50和VGG19进行特征提取，以及LIBLINEAR和LIBSVM进行分类。
4：实验流程与操作步骤：
通过CNN提取特征，应用集成学习，并采用监督方法进行分类。
5：数据分析方法：
使用平均总体准确率（ACC）评估不同分类器和参数下的性能。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
ResNet50
Feature extraction from remote sensing images
-
VGG19
Feature extraction from remote sensing images
-
LIBLINEAR
Linear classification
-
LIBSVM
Support vector machine classification
-
登录查看剩余2件设备及参数对照表
查看全部
