基于多示例学习方法的遥感影像分类研究
142 浏览量
更新于2024-09-08
收藏 876KB PDF 举报
"基于多示例学习方法的遥感影像分类"
本文主要介绍基于多示例学习方法的遥感影像分类,通过人为选择噪声强烈的训练样本,将Iterated-APR、MI-SVM、mi-Graph等多示例学习方法用于QuickBird、ALOS及ASTER等卫星影像的像素级分类。该方法能从噪声强烈的训练样本中学到性能优良的分类器,遥感影像分类精度较好,具有广泛的应用前景。
多示例学习方法是机器学习领域中的一种技术,通过选择多个示例来学习分类模型。在遥感影像分类中,多示例学习方法可以用于处理噪声强烈的训练样本,提高分类的准确性。Iterated-APR、MI-SVM、mi-Graph等方法都是基于多示例学习的方法,它们可以从噪声强烈的训练样本中学到性能优良的分类器。
Iterated-APR方法是基于迭代的多示例学习方法,该方法可以逐步地从噪声强烈的训练样本中学到分类模型。MI-SVM方法是基于支持向量机的多示例学习方法,该方法可以学习到性能优良的分类器。mi-Graph方法是基于图论的多示例学习方法,该方法可以学习到性能优良的分类器。
在遥感影像分类中,多示例学习方法可以用于处理不同类型的遥感影像,如QuickBird、ALOS及ASTER等卫星影像。这些卫星影像具有不同的空间分辨率和光谱分辨率,多示例学习方法可以学习到性能优良的分类器,提高遥感影像分类的准确性。
本文的实验结果表明,多示例学习方法可以从噪声强烈的训练样本中学到性能优良的分类器,遥感影像分类精度较好,具有广泛的应用前景。在遥感图像处理与应用、机器学习、资源环境遥感与信息系统等领域,多示例学习方法可以广泛应用于遥感影像分类、目标检测、图像分割等方面。
本文的研究结果表明,基于多示例学习方法的遥感影像分类可以提高遥感影像分类的准确性,具有广泛的应用前景。在遥感图像处理与应用、机器学习、资源环境遥感与信息系统等领域,多示例学习方法可以广泛应用于遥感影像分类、目标检测、图像分割等方面。
2022-03-29 上传
点击了解资源详情
2023-11-24 上传
2024-04-23 上传
2020-02-27 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
Cisco789
- 粉丝: 10
- 资源: 930
最新资源
- WPF渲染层字符绘制原理探究及源代码解析
- 海康精简版监控软件:iVMS4200Lite版发布
- 自动化脚本在lspci-TV的应用介绍
- Chrome 81版本稳定版及匹配的chromedriver下载
- 深入解析Python推荐引擎与自然语言处理
- MATLAB数学建模算法程序包及案例数据
- Springboot人力资源管理系统:设计与功能
- STM32F4系列微控制器开发全面参考指南
- Python实现人脸识别的机器学习流程
- 基于STM32F103C8T6的HLW8032电量采集与解析方案
- Node.js高效MySQL驱动程序:mysqljs/mysql特性和配置
- 基于Python和大数据技术的电影推荐系统设计与实现
- 为ripro主题添加Live2D看板娘的后端资源教程
- 2022版PowerToys Everything插件升级,稳定运行无报错
- Map简易斗地主游戏实现方法介绍
- SJTU ICS Lab6 实验报告解析