طبقه بندی نیمه نظارتی تصاویر ابر طیفی برمبنای شبکه عصبی کانولوشنی و تعداد محدود نمونه های آموزشی

سال های اخیر روش های مبتنی بر یادگیری عمیق به منظور طبقه بندی تصاویر ابر طیفی بسیار مورد توجه قرار گرفته است. از ویژگی های مهم مدل های یادگیری عمیق بکارگیری همزمان اطلاعات طیفی و مکانی به منظور طبقه بندی این تصاویر است. این روش ها باوجود دقت بالا در طبقه بندی داده ها از نظر محاسباتی پیچیده و تنظیم دقیق پارامترهای آن نیازمند تعداد زیاد نمونه آموزشی می باشد اما به دست آوردن تعداد زیادی نمونه برچسب دار برای آموزش شبکه های عمیق زمان بر و پرهزینه است و همیشه در کاربردهای عملی امکان پذیر نیست. به منظور رفع این مشکل در این مقاله از اطلاعات نمونه های بدون برچسب نیز برای طبقه بندی تصویر ابر طیفی استفاده می شود. در این روش با استفاده از اطلاعات مکانی و نقشه طبقه بندی شده اولیه نمونه های شبه برچسب مناسب استخراج می شود سپس با استفاده ترکیب نمونه های آموزشی و نمونه های شبه برچسب دار تصویر ابر طیفی طبقه بندی می شود. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی برای تصاویر ابر طیفی ایندیانا و دانشگاه پاویا دقت بهتری را نسبت به روش های به روز به دست آورده است. در مجموعه داده های ایندیانا و پاویا روش پیشنهادی به ترتیب بیش از ۸۱/۲٪ و ۷۸/۱٪ دقت بهترین روش های به روز را بهبود بخشیده است.

کلیدواژه ها:

ابر طیفی ، طبقه بندی ، یادگیری عمیق ، نمونه های شبه برچسب دار