典型文献
生成式对抗网络的高光谱遥感图像分类方法研究
文献摘要：
针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制过拟合;最后,将本算法应用于针对高光谱图像所设计的光谱空间分类模型进行分类.实验结果表明,在标准数据集Indian Pines和Pavia University中随机选取1％标记样本进行训练,总体分类精度分别达到了89.61％和98.79％,相比于其他现有算法有明显的提高,较表现最好的分类方法,总体分类精度分别提升了5.17％和1.38％.在Indian Pines数据集取1％标记样本,Pavia University数据集取0.1％标记样本的情况下,本文算法对过拟合的抑制效果优于几种常用的过拟合抑制算法,较表现最好的Dropout算法,总体分类精度分别提升了5.60％和3.20％.
文献关键词：
遥感;高光谱图像分类;小样本;过拟合;生成式对抗网络;光谱空间特征;特征提取
中图分类号：
作者姓名：
张健;保文星
作者机构：
北方民族大学计算机科学与工程学院,银川750021;吕梁学院计算机科学与技术系,吕梁033001
文献出处：
引用格式：
[1]张健;保文星-.生成式对抗网络的高光谱遥感图像分类方法研究)[J].遥感学报,2022(02):416-430
A类：
B类：
生成式对抗网络,高光谱遥感图像,遥感图像分类,分类方法,分类模型,训练样本,少时,过拟合,分类算法,高光谱图像分类,代时,标签信息,判别器,合训,数据分布,高维特征,网络参数,算法应用,标准数据集,Indian,Pines,Pavia,University,标记样本,分类精度,抑制效果,Dropout,小样本,光谱空间特征
AB值：
0.284098
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
