基于相似度水平直方图和适应尺度抽样的积极学习,用于非常高分辨率的图像分类.

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 遥感图像分类需要信息培训样本.
• 由于遥感数据的光谱变化,现有的方法可能缺乏类内多样性.
• 这可能导致分类模型的性能不足于最佳.

研究的目的:

• 提出一种积极的学习方法,以解决远程传感图像中的类内多样性.
• 为了提高非常高分辨率遥感图像的分类准确性.
• 为了减轻活跃学习中的样本不平衡问题.

主要方法:

• 为每个类构建相似度水平直方图 (SLH),以捕捉类内部的多样性.
• 实施适应性规模的抽样策略,以防止样本失衡.
• 利用主动学习从SLH仓库中选择代表性样本.

主要成果:

• 拟议的方法有效地考虑了类内部的多样性.
• 适应尺度采样可以防止过量或不足采样的问题.
• 实验结果表明,在有限的培训数据下,分类性能得到了改善.
• 该算法与公共数据集上的现有方法具有竞争力.

结论:

• 新的积极学习方法增强了远程传感图像分类.
• 考虑类内部的多样性和采用适应性抽样是改善模型性能的关键.
• 该方法为高效准确的远程传感图像分析提供了竞争力的解决方案.