[发明专利]一种基于主动深度学习的遥感图像分类方法

说明书

技术领域

本发明涉及遥感图像数据，具体来说，涉及一种基于主动深度学习的遥感图像分类方法。

背景技术

目前，对于一些浅层的算法(指仅含一个隐层的神经网络、核回归、支撑向量机等)，当给定有限数量的样本和计算单元时，浅层结构难以有效地表示复杂函数，并且对于复杂分类问题表现性能及泛化能力针均有明显的不足，尤其当目标对象具有丰富的含义，所以有一定的局限性。

而深度学习强调了模型结构的深度，通常有多层的隐层节点，明确突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易，与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息，可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示。另外主动学习的理论研究对于我们深入理解机器学习中的许多重要理论问题，例如如何降低样本复杂度，如何处理小样本数据集，不平衡数据的学习问题，标注数据的有效利用，监督学习和无监督学习之间的联系等都有非常重要的指导意义，而就目前情况而言，无论对于监督学习和无监督学习均存在各自的缺陷。

因此，现在需要研发一种基于主动深度学习的遥感图像分类算法，以克服现有技术中分别使用无监督学习与监督学习的缺点。

发明内容

本发明的目的是提供一种基于主动深度学习的遥感图像分类方法，以克服目前现有技术存在的上述不足。

本发明的目的是通过以下技术方案来实现：

一种基于主动深度学习的遥感图像分类方法，包括以下步骤：

步骤1：选取待分类的遥感图像数据；

步骤2：利用预先配置的算法对所述遥感图像数据进行处理，具体的步骤包括：

步骤2-1：利用遥感图像数据的所有训练样本进行无监督自编码深度网络学习；

步骤2-2：然后利用预先设置的标记样本L进行监督深度网络学习；

步骤2-3：利用预先设置的未标记样本U输入深度网络得到分类结果；

步骤3：运用主动学习算法nEQB从未标记样本U中选取选出最佳样本B；

步骤4：将未标记样本U与最佳样本B做减法运算，得到新的未标记样本集U`，将标记样本L与最佳样本B做加法运算，得到新的标记样本集L`；

步骤5：重新返回步骤2，继续循环以上过程，直到未标记样本集U`为空集或者满足预先设置的终止学习的指标，循环结束，输出相匹配的分类准确度和分类结果图。

进一步的，所述步骤2中利用预先配置的算法函数包括稀疏自编码算法和支持向量机SVM算法。

本发明的有益效果为：通过深度学习和主动学习，能够克服分别使用无监督学习与监督学习的缺点，降低了计算的复杂度，与单独的SVM算法相比，多了无监督网络学习，对数据的分类精度也有一定的提高，在深度学习的基础上再加入主动学习，在主动学习中，学习器不再是被动地接收由用户提供的训练数据，而是主动要求用户对那些最有价值的数据进行标记；在获得相近准确率的情况下，主动样本选择相对于随机选择可以显著地减少所需要的样本数，有效的提高了对数据分类的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的一种基于主动深度学习的遥感图像分类方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，根据本发明实施例所述的一种基于主动深度学习的遥感图像分类方法，包括以下步骤：

步骤1：选取待分类的遥感图像数据；

步骤2：利用预先配置的算法对所述遥感图像数据进行处理，具体的步骤包括：

步骤2-1：利用遥感图像数据的所有训练样本进行无监督自编码深度网络学习；

步骤2-2：然后利用预先设置的标记样本L进行监督深度网络学习；

步骤2-3：利用预先设置的未标记样本U输入深度网络得到分类结果；

步骤3：运用主动学习算法nEQB从未标记样本U中选取选出最佳样本B；