基于无监督流形对齐算法的遥感图像分类.docVIP

下载本文档

9
0
约3.94万字
约 53页
2023-12-19 发布于广东
举报
版权申诉

基于无监督流形对齐算法的遥感图像分类.doc

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于无监督流形对齐算法的遥感图像分类

摘要

对高光谱遥感图像进行数据标记是一项耗时耗力耗财的任务，如果存在已有的被标记过的高光谱遥感图像，“借用”这些标签信息，对没有标记信息的新图像进行分类，具有研究价值。传统机器学习算法要求训练数据和测试数据满足同分布假设，但是由于植被密度和组成、土壤水分、地形和照明变化以及太阳高度角等因素的影响，不同遥感图像的地物光谱可能发生变化。若仍在传统的机器学习框架下直接利用已有的带标记的遥感图像对新遥感图像进行分类，分类效果通常不好。迁移学习的研究目的就在于如何从已有大量标签信息的旧遥感图像中学习知识，使其能够对新的遥感图像进行分类。在迁移学习中，带有足够标签的