ترکیب شبکه عصبی کانولوشن و ماشین بردار پشتیبان برای طبقه بندی تصاویر فراطیفی

تاکنون پژوهش های زیادی در زمینه ی طبقه بندی تصاویر فراطیفی انجام شده است. برای تشخیص و طبقه بندی تصاویر ابتدا نیاز به تکنیک های استخراج ویژگی است و براساس ویژگی های استخراج شده از الگوریتم های طبقه بندی استفاده می گردد. قبل از ظهور یادگیری عمیق معمولا براساس استخراج و انتخاب ویژگی ها به صورت دستی، طبقه بندی انجام میشد، که با صرف زمان و انرژی زیادی همراه بود. در مقابل شبکه عصبی کانولوشن CNN، که به طور گسترده در بینایی رایانه به کار گرفته شده است، می تواند به طور خودکار ویژگی ها را از داده های آموزشی استخراج کند، اما آموزش CNN معمولا به نمونه ی آموزشی زیادی نیاز دارد و باعث مسئله overfit می شود. از سوی دیگر، SVM دارای قابلیت تعمیم خوب است و می تواند مشکل نمونه آموزشی کم را حل کند. بنابراین، در این مقاله، از مدل ترکیبی CNN-SVM برای استفاده از مزایای هر دو، برای طبقه بندی تصاویر فراطیفی پیشنهاد شده است. در مقایسه با طبقه بندی کننده رایج که طبقه بندی را با ویژگی های دست ساز انجام می دهد، مدل ترکیبی CNN-SVM می تواند ویژگی هایی را که به طور خودکار با CNN استخراج شده را با SVM طبقه بندی کند. میتوان با استفاده از ترکیب SVM با CNN دقت طبقه بندی را بهبود بخشید.

کلیدواژه ها:

تصاویر فراطیفی ، شبکه عصبی کانولوشن ، ماشین بردار پشتیبان ، استخراج ویژگی ، طبقه بندی