代训练样本增强用于提高土地覆盖面变化检测性能,使用深度学习神经网络
概括
一种代训练样本增强 (ITSA) 策略增强了使用遥感图像进行土地覆盖变化检测 (LCCD) 的深度学习. 这种方法减少了手工标签工作,提高了检测准确度,提供了强大而可适应的解决方案.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析是什么
- 人工智能的人工智能
背景情况:
- 使用遥感图像进行准确的土地覆盖变化检测 (LCCD) 是至关重要的.
- 深度学习模型需要广泛的标记数据来进行有效的训练.
- 对于比特时空遥感图像的手动样品标签是繁的,耗时的,需要专业知识.
研究的目的:
- 提出一个代训练样本增强 (ITSA) 策略,以通过深度学习提高LCCD性能.
- 为了减少对LCCD任务中手动样品标签的依赖.
- 提高基于深度学习的LCCD的效率和准确性.
主要方法:
- 开发了一种代训练样本增强 (ITSA) 策略.
- 测量样本与邻近块的相似性,以识别潜在的新样本.
- 用增强样本和预测结果反复训练一个神经网络.
- 将ITSA与LCCD的现有深度学习网络结合起来.
主要成果:
- 当与深度学习网络集成时,拟议的ITSA战略有效地提高了LCCD性能.
- 实验表明检测准确度有显著改善,与最先进的方法相比,总体准确度增加范围从0.38%到7.53%.
- ITSA战略在各种图像类型和深度学习架构中显示出强大,通用和普遍适应性性能.
结论:
- ITSA战略是增强基于深度学习的LCCD的一个有价值的方法.
- 它有效地解决了手动样品标签的挑战,减少了努力和时间.
- 该方法在LCCD精度上提供了显著而可靠的改进,适用于各种遥感场景.
