CN112784818A - 基于分组式主动学习在光学遥感图像上的识别方法 - Google Patents
基于分组式主动学习在光学遥感图像上的识别方法 Download PDFInfo
- Publication number
- CN112784818A CN112784818A CN202110233652.XA CN202110233652A CN112784818A CN 112784818 A CN112784818 A CN 112784818A CN 202110233652 A CN202110233652 A CN 202110233652A CN 112784818 A CN112784818 A CN 112784818A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- network
- recognition
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分组式主动学习在光学遥感图像上的识别方法,选择两个样本进行训练获得两个直接训练的识别网络,再交叉两组识别网络互为迁移学习的预训练模型,读入网络结构进行初始化,依次选取10%、10%~15%、15%~20%、20~25%以及25%~30%,直至40%的样本在网络中训练,经最优次优策略筛选,网络识别率满足要求,一个批次所需要处理的样本数量降低,能够减少计算机内存以及显存的压力,缓解了计算资源不足的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于分组式主动学习在光学遥感图像上的识别方法。
背景技术
光学遥感图像的识别能够对土地资源利用以及土地使用规划方面提供有效支持,使用机器学习对光学遥感图像进行识别是未来的发展趋势,但是机器学习有效训练一个识别网络需要大量的标签数量,而遥感图像样本没有相应的标签,需要人力标注,同时使用遥感图像大多情况下标注需要专业人士进行,也需要消耗大量人力资源。
发明内容
本发明的目的在于提供一种基于分组式主动学习在光学遥感图像上的识别方法,通过采取分组式主动学习减少训练网络所需要的标注样本数量,缓解计算资源不足的问题。
为实现上述目的,本发明采用的一种基于分组式主动学习在光学遥感图像上的识别方法,包括下列步骤:
构建识别网络,数据集初始化;
选取10%的数据导入所述识别网络训练,获取真实数据种类;
聚类处理10%~15%阶段数据;
信息熵15%~20%阶段数据,筛选20%~25%阶段数据;
使用最优次优策略筛选25%~30%阶段数据;
重复数据处理步骤至40%,获取识别结果。
其中,构建识别网络,数据集初始化的具体步骤为,选取两个样本集进行训练,获取两个直接训练的识别网络,两个所述识别网络交叉作为对方的迁移学习的预训练网络模型,并读入网络结构用于初始化。
其中,所述预训练网络模型为GoogleNet模型。
其中,使用的训练样本为UcMerced_LandUse数据集和AID数据集,规则化所有样本数据尺寸为256x256。
其中,选取10%的数据导入所述识别网络训练,获取真实数据种类的过程中,包括下列步骤:
选取10%的数据在所述识别网络训练;
选取训练结果的低层网络作为特征提取器;
使用所述特征提取器对所有剩余样本进行特征提取;
根据特征结果提取获得预估簇数,配合整体数据及训练数据,获取真实数据种类。
其中,使用所述特征提取器对所有剩余样本进行特征提取的具体步骤为,截取输出层前一层的全连接层作为特征提取器,在所述UcMerced_LandUse数据集上划分为3组、在所述AID数据集划分为6个组别进行代表性提取,用于簇内聚类。
其中,聚类处理10%~15%阶段数据的具体步骤为,采取聚类方式找寻聚类心中点最近的样本,并将新的5%样本添加进入训练集。
其中,信息熵15%~20%阶段数据,筛选20%~25%阶段数据的具体步骤为,添加之后丢弃全连接层更改低,中,高层比重为0.4,0.4,0.2,进行训练得到新的网络后,再次筛选20~25%,重复操作直到40%。
本发明的一种基于分组式主动学习在光学遥感图像上的识别方法,选择两个样本进行训练获得两个直接训练的识别网络,再交叉两组识别网络互为迁移学习的预训练模型,读入网络结构进行初始化,依次选取10%、10%~15%、15%~20%、20~25%以及25%~30%,直至40%的样本在网络中训练,经最优次优策略筛选,网络识别率满足要求,一个批次所需要处理的样本数量降低,能够减少计算机内存以及显存的压力,缓解了计算资源不足的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的基于分组式主动学习在光学遥感图像上的识别方法的流程示意图。
图2是本发明的GoogleNet模型网络结构示意图。
图3是本发明的获得模型最终结果的流程示意图。
图4是本发明的仿真实施例的多组结果投票委员会机制流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提出了一种基于分组式主动学习在光学遥感图像上的识别方法,包括下列步骤:
S1:构建识别网络,数据集初始化;
S2:选取10%的数据导入所述识别网络训练,获取真实数据种类;
S3:聚类处理10%~15%阶段数据;
S4:信息熵15%~20%阶段数据,筛选20%~25%阶段数据;
S5:使用最优次优策略筛选25%~30%阶段数据;
S6:重复数据处理步骤至40%,获取识别结果。
可选的,构建识别网络,数据集初始化的具体步骤为,选取两个样本集进行训练,获取两个直接训练的识别网络,两个所述识别网络交叉作为对方的迁移学习的预训练网络模型,并读入网络结构用于初始化。
可选的,所述预训练网络模型为GoogleNet模型。
可选的,使用的训练样本为UcMerced_LandUse数据集和AID数据集,规则化所有样本数据尺寸为256x256。
进一步地,选取10%的数据导入所述识别网络训练,获取真实数据种类的过程中,包括下列步骤:
选取10%的数据在所述识别网络训练;
选取训练结果的低层网络作为特征提取器;
使用所述特征提取器对所有剩余样本进行特征提取;
根据特征结果提取获得预估簇数,配合整体数据及训练数据,获取真实数据种类。
可选的,使用所述特征提取器对所有剩余样本进行特征提取的具体步骤为,截取输出层前一层的全连接层作为特征提取器,在所述UcMerced_LandUse数据集上划分为3组、在所述AID数据集划分为6个组别进行代表性提取,用于簇内聚类。
可选的,聚类处理10%~15%阶段数据的具体步骤为,采取聚类方式找寻聚类心中点最近的样本,并将新的5%样本添加进入训练集。
可选的,信息熵15%~20%阶段数据,筛选20%~25%阶段数据的具体步骤为,添加之后丢弃全连接层更改低,中,高层比重为0.4,0.4,0.2,进行训练得到新的网络后,再次筛选20~25%,重复操作直到40%。
具体的,使用三次样条插值法将所述AID数据集的所有数据以及极少部分的所述UcMerced_LandUse数据集数据进行resize操作,规则化所有样本数据尺寸为256x256,便于输入网络进行识别。
具体的,为了防止实验误差,分别在这两个数据集上单独进行训练,形成UcMerced_LandUse网络和AID识别网络,并将所述AID数据集训练结果最佳的训练模型低层迁移至UcMerced_LandUse网络的低层。同理,重新训练一个UcMerced_LandUse网络低层,迁移至实验中AID识别网络的低层。由于两个与训练模型是单独训练得出的,对实验不会造成影响,同时还能提高识别正确率。
请参阅图3,获得模型最终结果的流程如图示。
本发明还提供一个仿真实验作为仿真实施例,从实验以及理论中验证了本发明所带来的损失可以进行忽略,同时说明本发明所带来的实际效果:
1.采用以仿真的形式计算分组可能会带来的损失,假设10000个样本中存在20%的价值样本,价值样本的平均价值设置为10,低价值样本随着与价值样本的距离分别设置为3,2,1,0。在10000个样本中不同的采集比率以及不同分组数量得到的损失如表1所示,可以得出分组所带来的损失几乎可以忽略不计。
表1分组在10000个样本中带来的损失
2.单纯使用信息熵进行筛选,在训练快结束时,整体网络识别能力已有极大提高的情况下,很可能出现q1>>q2≈q3≈…≈qc,若另一样本q1≈q2,q3≈…≈qc=0,在这两种样本情况下,若两个样本q1接近时,显然前一个样本已经能够明确识别但基于次策略仍会筛选前一样本。
而最优次优策略就是将最容易在两者之间混淆的样本给筛选出来。而该算法所具有的缺点也很明显,即在学习前中期,若存在大量样本q1≈q2+d≈…≈qc+d时,其中d表示一个较小的间距,而另一样本则体现为q1≈q2+0.5d,q3=…=qc≈0,若使用这策略则会忽视掉第一类样本,而选择第二类样本。因此提出在不同的训练阶段采取不同的筛选算法,将两种筛选算法组合成为一个新框架。
3.当样本数量为10000时,一张图像装入内存所需要的空间约为256×256×3×1字节,即192kb,(1字节的原因在于,存入图象时,像素范围为0~255之间)。在获取全局代表性的情况下,10000张图片所需的内存约为2g,而对图像需要做归一化处理才能正常装入网络,并减少网络震荡,转为类型多为float32,其空间占比将会变为8g的内存使用,在图像数量较大的情况下,会对内存这类计算资源带来一定障碍,但是采用分组式处理后,一个批次所需要处理的样本大小将变为原大小的1/m。
即使主动学习寻找代表性所需要的特征值大小一般是图像降维后结果,假设为featurenum,图像总数量为n,因此即使是在内存中装入网络所需要的所有特征所需内存空间为n×featurenum,当featurenum或者是n足够大时,在全局上寻找最优解将会极大浪费内存空间。将其分组拆分后,内存空间所需大小变为
4.通常情况下,UcMerced_LandUse数据集采用80%样本作为训练样本,而AID数据集采用50%样本作为训练样本,为了验证模型的有效性,本文分别在UcMerced_LandUse数据集仅采用40%数据作为训练集来进行验证,在AID数据集也仅采用40%样本作为训练集的情况下进行训练,为了保证实验的客观性以及网络的识别能力,使用的是整体样本正确率(Overall Accuracy,OA)来表示对于样本的识别能力,即正确识别数量/总样本数量。
5.在现实情况下,识别对象种类不确定,但是在遥感图像识别这一领域,总类别数不算巨大的情况下,可以采用CH指标以及轮廓系数进行计算一个估计值。获取正确的样本种类数量实际上就是判断聚类的效果,若真实的种类数量与簇数相等或相近那么聚类的效果也会优于其他情况。CH指标的原理是计算簇内点与簇中心的距离,以及簇间各个点的距离平均来表示的,公式如下:
其中B(k)表示的是簇间离散平均值(between-clusters dispersionmean),B(k)=∑qnq(cq-c)(cq-c)T,而W(k)表示的则是簇内离散平均值(within-cluster dispersion),在上述式子中x表示的是具体样本,k是预设簇数量,cq表示第q类的簇中心,c则是所有簇中心的矩阵,而nq则表示q类簇中样本个数。
而轮廓系数则是求每一个点到本簇所有点的平均距离与其余簇点之间的最近距离,来衡量该点是否应当属于簇内,所有点求解后平均的结果拿来衡量聚类效果:
其中b(i)表示i点到簇外最临近点的距离,a(i)则表示i点到该簇内所有点的平均距离。
在将数据分组的情况下,能够获得更多更小规模的数据聚类结果,多组结果能够利用投票委员会机制给予更有鲁棒性的聚类推断,请参阅图4。
将本发明识别网络所得到的正确率与文献对比,在更低的训练样本数量的情况下,能够获得更高的整体样本正确率(Overall Accuracy),对比如下表所示:
表2不同网络模型在UcMerced_LandUse上的正确率
表3不同网络模型在AID上的正确率
都在减少了部分训练样本数量的情况下,得到了更好的识别效果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,包括下列步骤:
构建识别网络,数据集初始化;
选取10%的数据导入所述识别网络训练,获取真实数据种类;
聚类处理10%~15%阶段数据;
信息熵15%~20%阶段数据,筛选20%~25%阶段数据;
使用最优次优策略筛选25%~30%阶段数据;
重复数据处理步骤至40%,获取识别结果。
2.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,构建识别网络,数据集初始化的具体步骤为,选取两个样本集进行训练,获取两个直接训练的识别网络,两个所述识别网络交叉作为对方的迁移学习的预训练网络模型,并读入网络结构用于初始化。
3.如权利要求2所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,所述预训练网络模型为GoogleNet模型。
4.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,使用的训练样本为UcMerced_LandUse数据集和AID数据集,规则化所有样本数据尺寸为256x256。
5.如权利要求4所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,选取10%的数据导入所述识别网络训练,获取真实数据种类的过程中,包括下列步骤:
选取10%的数据在所述识别网络训练;
选取训练结果的低层网络作为特征提取器;
使用所述特征提取器对所有剩余样本进行特征提取;
根据特征结果获得预估簇数,配合整体数据及训练数据,获取真实数据种类。
6.如权利要求5所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,使用所述特征提取器对所有剩余样本进行特征提取的具体步骤为,截取输出层前一层的全连接层作为特征提取器,在所述UcMerced_LandUse数据集上划分为3组、在所述AID数据集划分为6个组别进行代表性提取,用于簇内聚类。
7.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,聚类处理10%~15%阶段数据的具体步骤为,采取聚类方式找寻聚类心中点最近的样本,并将新的5%样本添加进入训练集。
8.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法,其特征在于,信息熵15%~20%阶段数据,筛选20%~25%阶段数据的具体步骤为,添加之后丢弃全连接层更改低,中,高层比重为0.4,0.4,0.2,进行训练得到新的网络后,再次筛选20~25%,重复操作直到40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233652.XA CN112784818B (zh) | 2021-03-03 | 2021-03-03 | 基于分组式主动学习在光学遥感图像上的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233652.XA CN112784818B (zh) | 2021-03-03 | 2021-03-03 | 基于分组式主动学习在光学遥感图像上的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784818A true CN112784818A (zh) | 2021-05-11 |
CN112784818B CN112784818B (zh) | 2023-03-14 |
Family
ID=75762309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233652.XA Active CN112784818B (zh) | 2021-03-03 | 2021-03-03 | 基于分组式主动学习在光学遥感图像上的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784818B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434037A (zh) * | 2023-04-21 | 2023-07-14 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010062268A1 (en) * | 2008-11-28 | 2010-06-03 | Agency For Science, Technology And Research | A method for updating a 2 dimensional linear discriminant analysis (2dlda) classifier engine |
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103617435A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习图像分类方法和*** |
CN103617429A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习分类方法和*** |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN103839078A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于主动学习的高光谱图像分类方法 |
CN104376335A (zh) * | 2014-11-13 | 2015-02-25 | 河南理工大学 | 一种基于信息熵的半监督高光谱遥感影像分类方法 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
CN104657744A (zh) * | 2015-01-29 | 2015-05-27 | 中国科学院信息工程研究所 | 一种基于非确定主动学习的多分类器训练方法及分类方法 |
CN105844287A (zh) * | 2016-03-15 | 2016-08-10 | 民政部国家减灾中心 | 一种遥感影像分类的域自适应方法及*** |
CN108875816A (zh) * | 2018-06-05 | 2018-11-23 | 南京邮电大学 | 融合置信度准则和多样性准则的主动学习样本选择策略 |
CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
CN109977994A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于多示例主动学习的代表性图像选取方法 |
CN110309868A (zh) * | 2019-06-24 | 2019-10-08 | 西北工业大学 | 结合无监督学习的高光谱图像分类方法 |
CN111259961A (zh) * | 2020-01-17 | 2020-06-09 | 南京大学 | 一种基于主动学习的面向对象分类方法 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN111881839A (zh) * | 2020-07-30 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种基于度量学习的小样本遥感影像目标识别方法 |
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
CN111914728A (zh) * | 2020-07-28 | 2020-11-10 | 河海大学 | 高光谱遥感影像半监督分类方法、装置及存储介质 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
CA3137030A1 (en) * | 2019-05-31 | 2020-12-03 | Maryam ZIAEEFARD | Method and processing device for training a neural network |
CN112101263A (zh) * | 2020-09-22 | 2020-12-18 | 中国科学技术大学 | 一种主动学习样本选取方法、***及计算机可读存储介质 |
CN112183577A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
CN112270379A (zh) * | 2020-11-13 | 2021-01-26 | 北京百度网讯科技有限公司 | 分类模型的训练方法、样本分类方法、装置和设备 |
-
2021
- 2021-03-03 CN CN202110233652.XA patent/CN112784818B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010062268A1 (en) * | 2008-11-28 | 2010-06-03 | Agency For Science, Technology And Research | A method for updating a 2 dimensional linear discriminant analysis (2dlda) classifier engine |
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103617435A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习图像分类方法和*** |
CN103617429A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习分类方法和*** |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN103839078A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于主动学习的高光谱图像分类方法 |
CN104376335A (zh) * | 2014-11-13 | 2015-02-25 | 河南理工大学 | 一种基于信息熵的半监督高光谱遥感影像分类方法 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
CN104657744A (zh) * | 2015-01-29 | 2015-05-27 | 中国科学院信息工程研究所 | 一种基于非确定主动学习的多分类器训练方法及分类方法 |
CN105844287A (zh) * | 2016-03-15 | 2016-08-10 | 民政部国家减灾中心 | 一种遥感影像分类的域自适应方法及*** |
CN108875816A (zh) * | 2018-06-05 | 2018-11-23 | 南京邮电大学 | 融合置信度准则和多样性准则的主动学习样本选择策略 |
CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
CN109977994A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于多示例主动学习的代表性图像选取方法 |
CA3137030A1 (en) * | 2019-05-31 | 2020-12-03 | Maryam ZIAEEFARD | Method and processing device for training a neural network |
CN110309868A (zh) * | 2019-06-24 | 2019-10-08 | 西北工业大学 | 结合无监督学习的高光谱图像分类方法 |
CN111259961A (zh) * | 2020-01-17 | 2020-06-09 | 南京大学 | 一种基于主动学习的面向对象分类方法 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
CN111914728A (zh) * | 2020-07-28 | 2020-11-10 | 河海大学 | 高光谱遥感影像半监督分类方法、装置及存储介质 |
CN111881839A (zh) * | 2020-07-30 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种基于度量学习的小样本遥感影像目标识别方法 |
CN112183577A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
CN112101263A (zh) * | 2020-09-22 | 2020-12-18 | 中国科学技术大学 | 一种主动学习样本选取方法、***及计算机可读存储介质 |
CN112270379A (zh) * | 2020-11-13 | 2021-01-26 | 北京百度网讯科技有限公司 | 分类模型的训练方法、样本分类方法、装置和设备 |
Non-Patent Citations (8)
Title |
---|
AJAY J. JOSHI 等: "Multi-Class Active Learning for Image Classification", 《CVPR 2009》 * |
FEDOR ZHDANOV 等: "Diverse mini-batch Active Learning", 《ARXIV》 * |
ZHIPENG LUO 等: "Group-Based Active Learning of Classification Models", 《PROC INT FLA AI RES SOC CONF. 2017》 * |
余东行 等: "联合卷积神经网络与集成学习的遥感影像场景分类", 《遥感学报》 * |
宋晗 等: "基于卷积神经网络与主动学习的高光谱图像分类", 《中国科学院大学学报》 * |
李宠 等: "改进的主动学习算法及在高光谱分类中的应用", 《华中科技大学学报(自然科学版)》 * |
程圆娥 等: "基于主动深度学习的高光谱影像分类", 《计算机工程与应用》 * |
胡正平 等: "基于样本不确定性和代表性相结合的可控主动学习算法研究", 《燕山大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434037A (zh) * | 2023-04-21 | 2023-07-14 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
CN116434037B (zh) * | 2023-04-21 | 2023-09-22 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112784818B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389614B (zh) | 基于图像分割与卷积神经网络构建医学影像图谱的方法 | |
CN108335313A (zh) | 图像分割方法及装置 | |
CN111476284A (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
WO2021169173A1 (zh) | 数据聚类的存储方法、装置、计算机设备及存储介质 | |
CN110659527B (zh) | 电子表单中的表格检测 | |
CN110569814B (zh) | 视频类别识别方法、装置、计算机设备及计算机存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
JP6863926B2 (ja) | データ分析システム及びデータ分析方法 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和*** | |
CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
WO2024045989A1 (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN111916144A (zh) | 基于自注意力神经网络和粗化算法的蛋白质分类方法 | |
CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
CN113435521A (zh) | 神经网络模型训练方法、装置及计算机可读存储介质 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN112784818B (zh) | 基于分组式主动学习在光学遥感图像上的识别方法 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN113763385A (zh) | 视频目标分割方法、装置、设备及介质 | |
CN115223662A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111553442B (zh) | 一种分类器链标签序列的优化方法及*** | |
CN114782965A (zh) | 基于布局关联性的视觉富文档信息抽取方法、***及介质 | |
CN113435308A (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
CN112749576A (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |