深度残差网络与迁移学习提升高光谱图像分类性能

本文主要探讨了深度迁移学习在高光谱图像分类中的应用，针对高光谱图像分类中存在的样本空间特征利用率不足问题。高光谱图像因其精细的光谱分辨率和丰富的光谱信息，对于空间和光谱领域的土地覆盖监测和测绘具有重要意义。然而，由于高光谱数据的复杂性，包括光谱响应的复杂性和噪声的存在，传统的有监督机器学习方法在面对有限的标注样本时容易出现过拟合问题。 论文提出了一种创新的方法，即利用深层残余网络作为特征提取器。深层残差网络的深度结构能够深入挖掘样本邻域中的深层次特征，这些特征通常具有更好的可分性，有助于提高分类精度。相较于浅层网络，深层网络在没有足够标注样本的情况下，能够更好地学习和抽象数据的内在模式。 针对深层卷积网络在有监督训练中的过拟合问题，论文提出了深度迁移学习的解决方案。具体而言，首先，通过在一个相关的数据集中使用迁移学习，训练一个基础的网络模型，获取其浅层卷积核参数。然后，将这些预训练的参数迁移到目标高光谱图像分类任务上，对深层卷积核参数进行微调。这样做的好处是，即使在高光谱图像样本标注量较少的情况下，也能有效地利用已有的知识和经验，避免过拟合，从而提升分类性能。 这项研究通过深度迁移学习技术，有效地克服了高光谱图像分类中的样本稀疏问题，提高了分类模型的泛化能力和准确性，为高光谱图像处理领域提供了一种有效的策略。这不仅对于实际的地理信息系统和遥感应用具有重要意义，也为深度学习在处理高维、复杂数据集时的问题提供了新的思考角度。