基于深度学习的高光谱图像特征学习研究.pptx

电子信息工程 毕业论文答辩指导老师：答辩人： 基于深度学习的高光谱图像特征学习研究第一部分 『研究意义』第二部分 『研究内容』第三部分 『网络结构』第四部分 『实验结果』第五部分 『分析总结』CONTENTS目录第一部分研究意义研究意义1 本文将基于深度学习的特征学习方法引入到高光谱遥感图像处理中，结合像元的光谱特征，设计了一种深度学习网络，能够从高光谱数据上百个波段中提取有用的信息并分类，与其他基于深度学习的分类方法相比，正确率得到了显著的提升，效果要比当前国际最新的方法（RPCA+CNN）性能更好。研究意义1 同时，训练好的网络具有很好的泛化性能，可以直接从同种传感器获取的其他高光谱图像数据中自动习得相应的特征，而不需要图像的其它先验信息与繁琐的参数调整。相比于原始数据，自动习得的特征分类正确率得到了显著的提升。研究内容第二部分研究内容2网络设计直接分类特征学习研究内容-网络设计2研究内容-直接分类2直接分类2实验结果-分类AVIRIS传感器数据集错误率总表ROSIS传感器数据集错误率总表网络类型Indian PinesSalina均值4.97(4.84±0.60)3.43(3.41±0.26)均值3.03(3.05±0.31)2.04(2.09±0.24)均值方差5.14(5.27±0.62)3.99(3.98±0.28)均值方差2.83(2.82±0.17)2.37(2.