超光谱图像是从卫星中捕获的图像,从卫星中捕获了特定区域的空间和光谱信息。与RGB图像相比,一个超光谱图像包含更多数量的通道,因此包含有关图像中实体的更多信息。它使它们非常适合在快照中分类对象。在过去的几年中,随着深度学习,超光谱图像识别的效率显着提高。卷积神经网络(CNN)和多层感知器(MLP)已证明是对图像进行分类的绝佳过程。但是,他们遭受了长期培训时间和大量标记数据的要求,以达到预期的结果。在处理超光谱图像时,这些问题变得更加复杂。为了减少训练时间并减少对大型标记数据集的依赖,我们建议使用转移学习方法。然后,转移学习模型使用CNN和MLP模型所学的功能来解决未见的新分类问题数据集。进行了CNN和多个MLP体系结构模型的详细比较,以确定最适合目标的最佳体系结构。结果表明,层的缩放并不总是会导致准确性的提高,但通常会导致过度拟合,也会增加训练时间。通过应用转移学习方法而不仅仅是接近,训练时间更大程度地减少了。通过直接训练大型数据集的新模型,而不会影响准确性,该问题。
translated by 谷歌翻译