双波段场景分类新法：CNN特征+贝叶斯决策

本文主要探讨了一种针对可见光和近红外双波段场景分类的创新方法。该方法旨在解决在实际应用中遇到的两大挑战：一是图像标注样本不足，可能导致模型过拟合；二是特征融合的质量不高，影响分类效果。为解决这些问题，研究人员提出了结合卷积神经网络（CNN）特征提取和朴素贝叶斯决策融合的技术。 首先，文章采用了预训练的CNN模型作为双波段图像的特征提取器。预训练模型已经在大规模数据上进行了训练，可以有效利用已有的通用图像特征，避免了由于样本稀少而产生的过拟合现象。这一步骤不仅提高了模型的泛化能力，还降低了对大量标注样本的依赖。 接下来，为了进一步优化分类性能，研究者采用主成分分析（PCA）进行降维处理，减少了输入特征的数量，同时通过特征归一化提升了支持向量机（SVM）的计算效率。这种方法使得SVM能够在降低计算复杂度的同时，保持每个波段的分类精度。 在融合阶段，作者将双波段的后验概率作为朴素贝叶斯模型的先验概率，构建了一个决策融合模型。这样做的好处是能够整合两个波段的信息，增强分类的准确性。通过这种方式，实现了对场景的融合分类，相较于单一波段分类和传统的特征级联融合方法，该方法的识别率显著提升，达到了94.3%。 对比实验结果显示，相比于基于传统特征的最优方法，该方法的识别率提高了6.4个百分点，表明其在性能上具有明显优势。此外，由于CNN模型的使用和决策融合的简洁设计，该方法在执行效率上也表现出色，既有效又高效。 总结来说，本文提出的基于卷积特征和贝叶斯决策的双波段场景分类方法，通过集成深度学习和经典统计方法，克服了样本不足和特征融合问题，为双波段图像分类任务提供了一种新的解决方案，具有较高的实用性和竞争力。