典型文献
迁移学习用于多时相极化SAR影像的水体提取
文献摘要：
基于机器学习分类器的极化合成孔径雷达(synthetic aperture radar,SAR)影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的.同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度.对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性.使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值.
文献关键词：
机器学习;极化SAR;水体提取;多时相影像;迁移学习
中图分类号：
作者姓名：
覃星力;杨杰;李平湘;赵伶俐;孙开敏
作者机构：
武汉大学测绘遥感信息工程国家重点实验室,湖北 武汉,430079;武汉大学遥感信息工程学院,湖北 武汉,430079
文献出处：
引用格式：
[1]覃星力;杨杰;李平湘;赵伶俐;孙开敏-.迁移学习用于多时相极化SAR影像的水体提取)[J].武汉大学学报（信息科学版）,2022(07):1093-1102
A类：
B类：
习用,SAR,水体提取,基于机器学习,机器学习分类器,极化合成孔径雷达,synthetic,aperture,radar,训练样本,够数,十分困难,相干斑,斑点噪声,样本标注,迁移学习方法,知识迁移能力,标签信息,信息迁移,移至,源域,样本标签,提取实验,洪涝灾害,灾害应急,应急响应,多时相影像
AB值：
0.313849
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。
