研究目的
通过堆叠自编码器(SAEs)提取特征,在遥感高光谱数据集中引入一种多类变化检测方案,结合多类与二进制变化检测以获取精确的多类变化图。
研究成果
基于堆叠自编码器特征提取的高光谱图像多类变化检测方法,有效结合了二类与多类变化检测以实现高精度。实验表明,采用SAE进行特征提取的性能优于PCA和NWFE等其他方法,在实验中达到了高达95.52%的整体分类准确率。
研究不足
该研究仅限于对Hyperion传感器特定高光谱数据集的评估,其性能可能因其他数据集而异。该方法在处理更大规模数据集或更高维数据时的计算效率与可扩展性未作讨论。
1:实验设计与方法选择:
该方案结合多类与二值变化检测,采用堆叠自编码器(SAEs)进行特征提取,支持向量机(SVM)或极限学习机(ELM)进行分类。
2:样本选择与数据来源:
在俄勒冈州赫米斯顿市区域基于Hyperion传感器获取的多时相高光谱数据集上评估。
3:实验设备与材料清单:
使用Caffe框架实现SAEs,LIBSVM库实现SVM,以及采用S型激活函数的ELM。
4:实验流程与操作步骤:
融合多时相影像,通过SAEs进行特征提取,利用二值变化检测图过滤未变化像素,并对变化像素分类。
5:数据分析方法:
多类变化检测的精度通过总体精度、平均精度和Kappa系数评估;二值变化检测则通过正确检测的变化数与总误差评估。
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