深度迁移学习在高光谱遥感图像分类中的研究现状与展望
高光谱遥感图像分类与分析算法研究
高光谱遥感图像分类与分析算法研究摘要：高光谱遥感图像分类与分析算法作为遥感图像处理与分析领域的重要研究内容，具有广泛的应用前景。
本文将介绍高光谱遥感图像分类与分析算法的研究现状，并探讨目前存在的问题与挑战。
然后，我们将讨论最常用的高光谱遥感图像分类与分析算法，并分析其优点和局限性。
最后，我们提出了未来的研究方向和挑战。
1. 研究现状高光谱遥感图像分类与分析算法是遥感图像处理与分析领域的重要研究内容。
随着遥感技术的发展，获取的遥感图像数据量不断增加，而高光谱遥感图像能够提供更加丰富的光谱信息，因此成为研究的热点。
目前，高光谱遥感图像分类与分析算法主要包括特征提取、特征选择、分类器设计等几个方面。
2. 问题与挑战然而，高光谱遥感图像分类与分析算法的研究仍然存在一些问题与挑战。
首先，高光谱遥感图像的数据维度较高，处理和分析起来较为复杂。
其次，不同地物或地表覆盖类型的光谱特征可能存在较大的重叠，导致分类精度下降。
此外，传统的分类算法在处理高光谱遥感图像时往往存在识别错误和误分类率高的问题。
3. 常用算法介绍针对上述问题，研究者提出了许多高光谱遥感图像分类与分析算法。
以下是一些常用的算法：3.1 监督分类算法监督分类算法是一种常用的高光谱遥感图像分类与分析方法。
它基于已知的地物类别的训练样本，通过构建分类模型来对图像进行分类。
常见的监督分类算法包括最大似然分类、支持向量机、随机森林等。
3.2 非监督分类算法非监督分类算法是一种无需先验知识的分类方法。
它主要通过对图像数据进行聚类分析，将相似的像素点归为同一类别。
K-means和谱聚类是常见的非监督分类算法。
3.3 深度学习算法近年来，深度学习算法在高光谱遥感图像分类与分析中取得了显著的进展。
深度学习模型如卷积神经网络（CNN）具有较强的学习能力和特征提取能力，能够有效处理高光谱遥感图像的分类问题。
4. 算法优缺点分析这些算法各有优缺点。
监督分类算法需要大量标记样本进行训练，模型依赖于标记样本的质量；非监督分类算法不需要标记样本，但对初始聚类中心的选择较为敏感；深度学习算法需要大量的计算资源和训练样本，模型复杂度较高。
测绘技术高光谱遥感图像分类方法的研究及其应用前景
测绘技术高光谱遥感图像分类方法的研究及其应用前景引言随着科技的不断发展，遥感技术在测绘领域的应用越来越广泛。
其中，高光谱遥感图像分类方法在地理信息系统（GIS）中具有重要的研究和应用价值。
本文将探讨测绘技术高光谱遥感图像分类方法的研究进展，以及该技术的应用前景。
一、高光谱遥感图像分类方法的研究进展1. 高光谱遥感图像分类方法概述高光谱遥感图像是通过遥感传感器获取的连续多光谱信息，能够提供地物的丰富光谱信息。
因此，高光谱遥感图像分类方法相比于传统的遥感图像分类方法具有更高的分类精度。
近年来，学者们在该领域进行了大量的研究，提出了多种分类方法，如支持向量机（SVM）、神经网络等。
2. 高光谱遥感图像分类方法的应用案例（1）农业领域：高光谱遥感图像分类方法可以帮助农业管理者实现农作物的类型分类、病虫害监测等，提高农作物种植的管理效率。
（2）城市规划领域：通过对高光谱遥感图像进行分类，可以有效地划分城市建筑、绿地、水域等区域，为城市规划和土地管理提供重要的支持。
（3）环境保护领域：高光谱遥感图像分类方法可以用于监测和评估环境中的植被覆盖状况、土壤污染等，为环境保护决策提供有力的数据支持。
二、高光谱遥感图像分类方法的应用前景1. 精细农业高光谱遥感图像分类方法在农业领域的应用前景巨大。
随着我国农业现代化进程的推进，精细农业将成为未来农业发展的趋势。
高光谱遥感图像分类方法可以帮助农民实现农田的精细管理，提高农作物产量和质量，优化农业资源的利用。
2. 灾害监测与预警高光谱遥感图像分类方法可以用于灾害监测与预警。
例如，通过分析高光谱遥感图像中的植被变化，可以提前预警火灾、洪涝等自然灾害，为相关部门采取措施提供时间窗口。
这对于减少灾害损失和保护人民生命财产安全具有重要意义。
3. 地质勘查与矿产资源开发高光谱遥感图像分类方法在地质勘查与矿产资源开发方面的应用前景广阔。
通过分析地质构造和土地变化，可以帮助勘探人员找到潜在的矿产资源。
高光谱图像处理技术的前沿技术和发展趋势
高光谱图像处理技术的前沿技术和发展趋势高光谱图像技术是一种利用光学系统获取目标物体在连续波段下的光谱信息的技术，它可以区分不同物体的光谱特征，具有广泛的应用前景。
随着科学技术的不断发展，高光谱图像处理技术在农业、环境监测、医学诊断、遥感侦察等领域发挥着越来越重要的作用。
本文将结合当前的前沿技术和发展趋势，分析高光谱图像处理技术的最新进展，以及未来可能的发展方向。
一、高光谱图像处理技术的前沿技术1. 多波段数据融合技术多波段数据融合技术是高光谱图像处理技术的一项重要技术，它可以将不同波段的光谱特征信息融合在一起，使得图像的分辨率和信息量得到提高。
目前，多波段数据融合技术已经广泛应用于农业、环境监测等领域，有效提高了图像处理的效率和准确性。
2. 深度学习技术在高光谱图像处理中的应用随着深度学习技术的不断发展，其在高光谱图像处理中的应用也越来越广泛。
深度学习技术可以通过训练模型来识别高光谱图像中的目标物体，提高图像处理的自动化程度和准确性。
目前，深度学习技术已经在高光谱图像处理中取得了一定的成果，但仍需要进一步研究和改进。
3. 高光谱图像的超分辨率重建技术高光谱图像的超分辨率重建技术是一种可以通过处理低分辨率图像来获得高分辨率图像的技术，它可以有效提高图像的质量和细节信息。
目前，高光谱图像的超分辨率重建技术已经成为该领域的研究热点之一，取得了一系列的重要进展。
二、高光谱图像处理技术的发展趋势1. 多模态高光谱图像处理技术随着多模态成像技术的发展，多模态高光谱图像处理技术已经成为该领域的发展趋势之一。
多模态高光谱图像可以融合不同成像方式的光谱信息，使得图像的信息量得到进一步提高，适用于更多的应用场景。
基于深度学习技术的高分辨率遥感图像分类研究
基于深度学习技术的高分辨率遥感图像分类研究随着科技的不断发展，高分辨率遥感图像成为了现代图像处理的重要组成部分，然而遥感图像往往过于庞大或尺寸太大，传统的图像处理方法往往无法胜任。
因此我们需要使用深度学习技术对这些图像进行分类，提高图像识别的准确率。
一、高分辨率遥感图像分类技术高分辨率遥感图像分类技术是一种基于图像的人工智能技术，它是基于计算机视觉和机器学习的方法。
现如今，高分辨率遥感图像分类技术运用的领域非常广泛，比如城市规划、环境监测、农业资源调查等。
其中，深度学习技术是高分辨率遥感图像分类中最具有前景的技术之一，它可以通过训练深度神经网络使其识别图像中的各种特征，达到高效、高精度的分类效果。
二、基于深度学习技术的高分辨率遥感图像分类1. 数据处理与准备深度学习技术需要大量的数据进行训练，对于高分辨率遥感图像分类来说更是如此。
首先需要对图像进行降维处理，以便让计算机能够快速处理和识别图像。
其次，为了保证训练数据的多样性，需要进行数据增强。
在数据增强时，通常使用图像旋转、翻转、缩放等技术来复制和扩展数据，从而达到更好的样本覆盖。
2. 模型设计和训练在深度学习技术中，选择合适的模型是至关重要的，这直接关系到模型的训练效果。
基于高分辨率遥感图像分类的特点，最为常用的模型是卷积神经网络(CNN)和循环神经网络(RNN)。
在模型训练过程中，通常采用交叉验证法来验证模型的泛化能力。
3. 模型优化和测试模型训练的最终目的是得到一个能够精确推断分类的模型，因此在模型优化时需要选择最优的超参数，比如学习率、迭代次数等。
为了确定模型的实际效果，需要使用测试集来评估分类准确率和召回率。
三、未来展望随着深度学习技术的不断发展，高分辨率遥感图像分类也将有更加广泛的应用前景。
未来，我们可以通过引入多种模型和算法改进、扩展遥感图像分类的深度学习技术，同时结合传统图像处理方法，进一步提高图像识别的准确性和效率。
总之，基于深度学习技术的高分辨率遥感图像分类研究不仅是一项具有前景的技术，更是解决实际问题的有效途径。
高光谱图像处理技术的前沿技术和发展趋势
高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是近年来光学成像领域的一项重要技术，它可以获取物体在可见光和近红外波段上的光谱信息，并通过对光谱数据进行处理分析，实现对目标物体的识别、分类和定量分析。
随着高光谱成像技术的发展，其应用领域已经涵盖了农业、环境监测、资源勘探、食品安全等多个领域，成为当今科技发展的热点之一。
在当前的高光谱图像处理技术中，存在着一些前沿技术和发展趋势，本文将围绕这些方面展开讨论。
一、深度学习在高光谱图像处理中的应用近年来，深度学习技术在图像处理领域取得了巨大的成功，其在目标检测、图像分类、语义分割等方面都取得了非常好的效果。
在高光谱图像处理领域，深度学习技术也开始逐渐被引入，并取得了一些突破性的进展。
通过深度学习网络结构的优化和训练，可以提高高光谱图像处理的准确性和效率，实现对复杂场景下目标的检测和识别。
深度学习还可以帮助解决高光谱图像处理中的数据维度高、特征提取难等问题，对高光谱图像的信息提取和分析具有重要意义。
未来，随着深度学习技术的不断发展和完善，其在高光谱图像处理领域的应用将更加广泛。
深度学习模型的优化和高光谱图像处理算法的结合将会成为未来的研究热点，为高光谱图像处理技术的进一步发展提供强大的支持。
二、高光谱图像融合技术的发展高光谱图像与多光谱图像和全色图像相结合，可以实现对物体的更加精细的识别和分析。
高光谱图像融合技术在提高光谱分辨率的还可以保留多光谱图像和全色图像的空间信息，为高光谱图像处理提供更加丰富的信息。
近年来，高光谱图像融合技术已经成为研究的热点之一，相关算法和方法也在不断得到改进和完善。
未来，随着高光谱图像处理技术的不断提高，其在农业领域的应用将更加深入和广泛。
通过结合深度学习、高光谱图像融合技术等前沿技术，可以实现对作物生长信息的更加精细化分析和监测，为农业生产的智能化和精准化提供更多的可能性。
高光谱图像处理技术是一个充满发展潜力和机遇的领域。
深度学习在高光谱图像分类领域的研究现状与展望
深度学习在高光谱图像分类领域的研究现状与展望张号逵;李映;姜晔楠【期刊名称】《自动化学报》【年(卷),期】2018(044)006【摘要】高光谱图像(Hyperspectral imagery,HSI)分类是高光谱遥感对地观测技术的一项重要内容,在军事及民用领域都有着重要的应用.然而,高光谱图像的高维特性、波段间高度相关性、光谱混合等使得高光谱图像分类面临巨大挑战.近年来,随着深度学习新技术的出现,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展,为其研究提供了新的契机.本文首先介绍了高光谱图像分类的背景、研究现状及几个常用的数据集,并简要概述了几种典型的深度学习模型,最后详细介绍了当前的一些基于深度学习的高光谱图像分类方法,总结了深度学习在高光谱图像分类领域中的主要作用和存在的问题,并对未来的研究方向进行了展望.【总页数】17页(P961-977)【作者】张号逵;李映;姜晔楠【作者单位】西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129;西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129;西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129【正文语种】中文【相关文献】1.深度学习在电力领域的研究现状与展望 [J], 曹渝昆;何健伟;鲍自安2.深度学习在焊接领域的应用研究现状 [J], 胡波3.深度学习在控制领域的研究现状与展望 [J], 段艳杰;吕宜生;张杰;赵学亮;王飞跃4.深度学习研究现状及其在轨道交通领域的应用 [J], 熊群芳;林军;刘悦;袁浩;游俊;5.国内教育领域深度学习研究现状及热点——基于中国知网的科学知识图谱分析[J], 张释元; 饶丽娜因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的高光谱图像分类的研究
基于深度学习的高光谱图像分类的研究摘要:高光谱图像分类一直是遥感领域的研究热点。
由于高精度光谱特征的遥感对象图像富含深层次特征的光谱信息和空间信息,以及待捕捉特征的光谱信息与高精度光谱遥感数据采集对象之间的非线性空间关系,这些传统分类方法无法对特征进行准确分类,如何利用这些光谱信息对深层次特征进行准确分类识别,如何准确提取地物的深层特征并使其更容易分类,是高精度光谱遥感图像特征分类领域下一步技术研究的热点。
目前,卷积神经网络模型作为工业深度学习的主要技术模型,已经发展成为工业图像分析处理的重要技术应用。
深度机器学习特征方法系统作为一种强大的特征提取器,广泛应用于高精度光谱度的图像特征分类和分析任务。
如何针对具体问题搭建网络,也是深度学习的研究内容之一。
关键词:高光谱图像分类;深度学习;特征提取引言:随着我国现代科学技术的不断创新,高光谱遥感技术已经作为一门具有综合性质的科学技术,进入了一个新的发展阶段。
高精度光谱曲线图像的每个曲线像素分别对应不同的线性光谱反射曲线,因此人们经常需要利用高精度光谱曲线图像的这一曲线特征,即是高光谱的线性反射曲线特征,来帮助识别地球上的其他物体。
遥感仪器可以收集空间和光谱数据。
一般我们把这种数据称为高光谱图像。
高光谱图像的一个突出技术特点也就是"图谱合一",可以用来更好地区分许多不同类型的地面信息。
与多精度衍射光谱图像相比,高精度衍射光谱图像衍射对象图像可以具有更高的衍射图像光谱分辨率,显示出更大的研究价值。
高光谱遥感图像富含大量关于地球表面特征的信息,并且特征明显,已经有越来越多的人开始关注高光谱图像的研究。
一、高光谱图像的分类现状随着高光谱遥感技术的快速进步发展,高功率光谱的分析获取已经变得更加容易,这也就使得高光谱图像数据分析技术成为一项很好的有发展前途的科学技术,并被应用于包括农业、环境监测、军事侦察等在内的许多实际领域。
高光谱图像数据通常在同一空间区域包含数百个光谱波段,为识别不同种类的地物提供了有价值的信息。
高光谱遥感图像分类与识别算法研究
高光谱遥感图像分类与识别算法研究摘要：高光谱遥感图像是一种获取地球表面相应光谱信息的有效手段，具有广泛的应用前景。
高光谱遥感图像分类与识别算法是对高光谱遥感图像进行有效处理和分析的关键环节。
本文旨在综述当前高光谱遥感图像分类与识别算法的研究现状，并探讨其存在的问题和未来发展方向。
1. 引言高光谱遥感图像是通过在不同光谱波段收集地球表面反射光谱信息而获取的图像。
相对于传统的遥感图像，高光谱遥感图像具有较高的光谱分辨率，能提供更为丰富的光谱信息，因此在农业、环境监测、城市规划等领域有着广泛的应用前景。
2. 高光谱图像分类与识别算法2.1 特征提取高光谱遥感图像的分类与识别需要从图像中提取有效的特征信息。
常用的特征提取方法包括像素级特征、纹理特征和频域特征等。
像素级特征直接利用图像中的像素值进行分类，而纹理特征则利用图像中的纹理变化进行分类。
频域特征则是通过将高光谱图像转换到频域中，利用频率信息进行分类。
2.2 分类模型高光谱图像的分类模型主要分为监督学习和无监督学习。
监督学习是通过已知类别的样本进行训练，构建分类模型。
常用的监督学习算法包括支持向量机（Support Vector Machine，简称SVM）、随机森林（Random Forest）和深度学习等。
无监督学习则是利用样本之间的相似性进行分类，常用的无监督学习算法包括K-means聚类算法和主成分分析（Principal Component Analysis，简称PCA）等。
3. 研究现状目前，研究者们在高光谱遥感图像分类与识别算法领域取得了很多的成果。
其中，深度学习作为一种有效的分类算法在这一领域中得到了广泛的应用。
通过使用深度学习算法，研究者们成功地提取了高光谱图像中的深层特征，并取得了较好的分类效果。
此外，一些新兴算法，例如卷积神经网络（Convolutional Neural Network，简称CNN）和循环神经网络（Recurrent Neural Network，简称RNN）等也被运用于高光谱图像分类与识别任务中。
基于深度学习的高光谱遥感图像分类分析
基于深度学习的高光谱遥感图像分类分析随着遥感技术的不断发展，遥感图像的获取和处理也变得越来越普遍和方便。
而高光谱遥感图像作为一种新型遥感图像，因为其在波段范围和分辨率上面的优势，成为了当前精细化农业、环境监测、资源调查等领域研究的热点。
然而，高光谱图像的大规模识别和分类一直是当前研究的难题。
传统的遥感图像分类方法需要人工提取特征，经常会因为特征选取不合理导致分类效果不佳。
为了解决这一问题，深度学习逐渐被引入到高光谱图像分类研究中，并取得了很大的进展。
深度学习被应用到高光谱图像分类中主要分为以下几个方面：1. 卷积神经网络卷积神经网络（CNN）是深度学习中的一个重要分支。
由于高光谱图像包含大量的波段信息，需要很好的特征提取能力。
CNN通过逐层从原始数据中提取特征，并使用池化和卷积操作降低特征维度，从而统计各个波段之间的关系，提高了分类准确性。
同时，CNN还在遥感图像的分类、检测、配准等领域发挥了重要作用。
2. 深度稀疏自编码器深度稀疏自编码器（DSAE）是另一个常用于高光谱图像分类的深度学习算法。
DSAE主要通过学习数据的低维表示来方便数据的分类和识别。
DSAE在处理高维数据方面的表现优秀，能够消除噪声、减少冗余，并提高特征的稀疏性，对高光谱图像的分类效果也很好。
3. 攻击性迁移学习攻击性迁移学习（ATL）是一种用于训练深度神经网络的技术。
它主要是将已有的深度神经网络在相似或不同的任务中进行预训练，以避免在对目标任务进行训练时出现过拟合的情况。
ATL不仅在减少模型训练时间和提高学习效率方面有明显的优势，也能够提高分类性能。
在基于深度学习的高光谱图像分类过程中，需要注意以下几个方面：1. 训练数据的准备深度学习模型训练需要大量的数据，而且数据质量要求高。
在收集数据时，需要保证数据的真实性、去除噪声、避免数据重复等问题。
同时，要注意涵盖不同时间、地点、环境等不同情况下的高光谱图像信息，以提高模型的泛化性。
基于深度学习的遥感图像分析与分类技术研究
基于深度学习的遥感图像分析与分类技术研究随着遥感技术和深度学习的发展，基于深度学习的遥感图像分析与分类技术成为当前研究热点之一。
本文将从深度学习在遥感图像分析与分类中的应用、深度学习中常用的模型以及相关技术和挑战等方面进行探讨。
一、基于深度学习的遥感图像分析与分类技术的应用遥感图像是通过航空或卫星等遥感器获取的地球表面的图像数据。
利用遥感图像可以对地球表面进行高分辨率、广覆盖的观测和监测，因此在农业、环境、城市规划、气象、国土资源等领域具有重要的应用价值。
基于深度学习的遥感图像分析与分类技术能够自动提取图像中的特征，对不同地物进行准确的分类和识别，极大地提高了遥感图像处理的效率和准确性。
在农业领域，基于深度学习的遥感图像分析与分类技术可以对农作物的生长状况、病虫害的发生等进行监测和预警，帮助农民合理决策并提高作物的产量和质量。
在环境保护领域，可以利用深度学习技术对森林覆盖、湖泊水体、土地利用等进行精确的分类和监测，为生态环境的保护和管理提供科学依据。
在城市规划领域，可以利用深度学习技术对城市建设用地、道路交通等进行精细化的分析和规划，提高城市规划的科学性和可行性。
二、深度学习中常用的模型及相关技术1. 卷积神经网络（CNN）卷积神经网络是深度学习中常用的模型之一，具有较强的图像处理和分类能力。
在遥感图像分析与分类中，CNN可以提取图像中的特征，并通过多层网络结构进行分类和识别。
通过卷积层、池化层和全连接层的组合，CNN可以对遥感图像进行特征的逐层提取，最终输出对应的类别。
2. 循环神经网络（RNN）循环神经网络是另一种常用的深度学习模型，主要用于处理序列数据。
在遥感图像分析与分类中，可以将图像切分为多个小块，利用循环神经网络进行逐块处理，然后将结果集成为最终的分类结果。
RNN适用于处理遥感图像中存在时间序列关系的问题，如气象数据的预测和分析。
3. 生成对抗网络（GAN）生成对抗网络是一种可以通过对抗训练的方式生成新的图像数据的网络结构。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。
随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。
在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。
这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。
关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。
这种发展主要表现在以下4个方面：1. 多分辨率多遥感平台并存。
空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。
遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。
民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。
例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。
随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。
2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。
高光谱图像处理技术的前沿技术和发展趋势
高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是指对多光谱或高光谱图像进行处理，以提取和分析图像中的信息和特征。
随着高光谱遥感技术的发展，高光谱图像处理技术也得到了广泛应用，并取得了许多重要的研究成果。
本文将从前沿技术和发展趋势两个方面对高光谱图像处理技术进行详细介绍。
一、前沿技术1. 高光谱图像分类算法高光谱图像具有较高的光谱和空间分辨率，可以提供丰富的信息，因此在分类算法方面有较大的发展空间。
传统的高光谱图像分类算法主要包括最大似然分类算法、支持向量机分类算法等。
近年来，随着深度学习技术的兴起，基于深度学习的高光谱图像分类算法也取得了较好的效果，如卷积神经网络、循环神经网络等。
2. 高光谱图像压缩算法高光谱图像数据量庞大，传输和存储需要较大的开销。
高光谱图像压缩算法是高光谱图像处理技术中重要的研究方向之一。
传统的高光谱图像压缩算法主要包括无损压缩和有损压缩。
无损压缩算法主要通过数据压缩和编码来降低数据的冗余性，有损压缩算法则在保持图像质量的前提下，通过舍弃一部分信息来减少数据量。
近年来，基于稀疏表示和压缩感知的高光谱图像压缩算法受到了广泛关注。
3. 高光谱图像超分辨率重建算法高光谱图像的空间分辨率较低，存在着不同程度的模糊和失真。
高光谱图像超分辨率重建算法是高光谱图像处理技术中的重要内容。
传统的高光谱图像超分辨率重建算法主要是通过利用多帧或多波段的信息来提高图像的空间分辨率。
近年来，基于深度学习的高光谱图像超分辨率重建算法取得了较好的效果，如生成对抗网络。
二、发展趋势1. 高光谱图像处理技术与人工智能的结合高光谱图像数据具有较高的维度和复杂性，传统的高光谱图像处理技术往往需要人工进行特征提取和分类。
随着人工智能技术的快速发展，高光谱图像处理技术也逐渐与人工智能技术相结合，如深度学习、机器学习等。
人工智能技术可以通过学习和训练自动提取高光谱图像中的特征和信息，进一步提高高光谱图像处理的效果和速度。
利用深度学习技术进行遥感图像分析与分类研究
利用深度学习技术进行遥感图像分析与分类研究遥感技术是现代科技中非常重要的一项，它可以获取大量的地球表面信息。
与传统地面测量相比，遥感技术具有非常多的优势，主要体现在遥感技术可以获取更为准确、细致的地理信息、高效地获取信息以及获取能力更强的敏锐性。
然而，遥感技术也存在一些问题。
遥感图像分析与分类技术一直是一个难题，主要体现在数据量大、分类图谱分散、选项多、监督学习过程异常繁琐等方面。
如何利用深度学习技术对遥感图像进行分类研究？本文将结合机器学习的概念，进行分析。
一、深度学习技术在遥感图像分类研究中的应用深度学习技术已经成为了机器学习领域的热门话题，目前已经广泛应用于人脸识别、实时视频分析、语音识别、自然语言处理等许多不同方面。
通过深度学习领域中的卷积神经网络、递归神经网络、自编码网络等技术，可以有效地解决遥感图像分类中所遇到的各种困难问题。
具体来说，在遥感图像分类研究中，可以先将大量的遥感图像数据集导入机器中进行训练，让机器自行学习识别地理环境中的各种物体，并建立与之对应的分类规则。
在实际遥感图像分类场景中，只需要将新的遥感图像数据导入机器中，即可快速准确地对不同的地形进行分类，完成地理信息的识别和分析。
二、深度学习技术对于各种不同地形的识别应用深度学习技术可以做到对于各种不同地形及其不同类型的物体的有效识别和分类，这也是深度学习在遥感图像分析上的重要应用。
如对于城市中道路、建筑物、车辆等各种不同类型的物体的识别，深度学习技术可以对它们进行有效分类，从而实现自动化的道路状况分析、建筑物识别以及交通监测等。
此外，深度学习技术在农业、林业、环境保护等领域也具有重要的应用价值。
例如，对于种植面积、树冠覆盖率、污染源等内容的识别与分类，深度学习技术可以在实际操作中发挥非常重要的作用。
三、深度学习技术在地球环境监测中的应用随着地球环境的逐渐恶化，人们对地球环境的监测和管理越来越重视。
深度学习技术可以利用遥感图像数据对地球环境进行监测。
深度学习在高光谱图像的降维及分类中的应用
摘要摘要遥感技术的发展使得新的遥感传感器可以采集的图像具有连续的谱域和空域，这些图像含有大量的地物信息——地物的光谱信息和几何空间分布。
传统的遥感图像分类框架只利用了谱域信息来分类，忽略了空域信息对分类的影响。
卷积神经网络有着独特的优势。
图像不需要太多的前期处理就可以直接输入网络，从训练数据中隐式地进行学习，规避了特征提取和分类中数据重建的过程。
它独特的层间联系以及空间信息的密切联系，使其适用于图像处理中分类识别任务。
本文在充分考虑高光谱图像特点的前提下，提出了在图像分类领域中取得显著成果的卷积神经网络来对高光谱图像的像元进行分类。
本文主要研究内容：(1)借鉴LeNet-5网络框架的设计思想，设计适用于高光谱图像分类的卷积神经网络框架。
本文主要研究了网络框架中的层数、卷积层中神经元的数目、下采样层中神经元的数目以及输出层中神经元的数目，达到了高光谱数据分类到图像分类的有效转化。
(2)将每个像素点的空间邻域信息作为卷积神经网络框架的输入样本，探究所设计的框架对高光谱图像分类的有效性。
(3)研究框架中的激活函数ReLU的设计，达到缓解梯度弥散目的，提高网络的执行效率和分类精度。
与梯度下降法相比，mini-batch随机梯度下降法可以大大提高框架的执行效率。
这些策略的使用更有助于提取分类特征和提高分类效果。
(4)利用本文所设计的框架对The University of Pavia数据集进行分类仿真实验，验证其可行性，并与传统的k近邻、BP神经网络以及SVM分类识别方法比较。
实验仿真结果表明：采用本文所设计的分类框架，分类精度高于其它分类方法，达到了97.57%。
关键词：高光谱图像，卷积神经网络，特征提取，函数ReLU，分类精度，有效性ABSTRACTWith the development of remote sensing technology,the new remote sensing sensors can collect the image with continuous spectral domain and spatial domain.The traditional remote sensing image classification framework only uses the spectral information to classify,ignoring the influence of spatial information on classification. Convolutional neural networks have unique advantages.The image does not need too much early treatment can directly enter the network,from the training data of implicit learning,to avoid the process of data reconstruction in feature extraction and classification.Its unique inter layer connection and the close connection of spatial information make it suitable for classification and recognition in image processing.In this thesis,on the premise of taking full account of the characteristics of hyperspectral images,a convolution neural network which has achieved remarkable results in the field of image classification is proposed.The main content of this paper:(1)Using the design idea of LeNet-5network framework,we design a convolution neural network framework for hyperspectral image classification.This thesis mainly studies the network frame number,the number of neurons in layer convolution, sampling layer number of neurons and the number of neurons in the output layer, achieves the effective transformation of hyperspectral data classification to image classification.(2)The spatial neighborhood information of each pixel is used as the input sample of the convolution neural network framework to explore the validity of the designed framework for hyperspectral image classification.(3)The design of the activation function ReLU in the framework of the study,to achieve the purpose of reducing the gradient dispersion,improve network efficiency and classification pared with the gradient descent method,the mini-batch stochastic gradient descent method can greatly improve the efficiency of the framework. The use of these strategies can help to extract classification features and improve classification results.(4)Using the framework designed in this thesis,the simulation experiment of The University of Pavia data set is carried out to verify the feasibility,and compare with thetraditional k nearest neighbor,BP neural network and SVM classification method.The simulation results show that the classification accuracy is higher than that of other classification methods,which is97.57%.Key words:Hyperspectral Image,Convolutional Neural Network,Feature Extraction, Function ReLU,Classification Accuracy,Validity目录第一章绪论 (1)1.1研究工作的背景与意义 (1)1.2高光谱遥感图像概述 (2)1.2.1高光谱遥感图像数据的表示 (2)1.2.2高光谱遥感图像的特点 (3)1.2.3高光谱遥感图像分类研究现状 (3)1.3深度学习在图像处理领域的研究背景与现状 (5)1.4论文主要研究内容和结构安排 (6)1.4.1本文的研究内容 (6)1.4.2论文的结构安排 (6)1.5本章小结 (7)第二章高光谱遥感图像分类 (8)2.1高光谱遥感图像分类原理 (8)2.1.1高光谱图像分类的原则 (8)2.1.2高光谱图像的分类流程 (8)2.2高光谱图像数据的的降维 (9)2.2.1降维的必要性 (9)2.2.2Hughes现象 (9)2.2.3主成分分析法 (10)2.3传统的高光谱图像监督分类 (11)2.3.1k NN (11)2.3.2BP神经网络 (12)2.3.3支持向量机 (14)2.4本章小结 (16)第三章高光谱遥感图像分类算法设计 (17)3.1卷积神经网络 (17)3.2正向传播过程 (18)3.2.1卷积层 (18)3.2.2下采样层 (18)3.2.3全连接层 (19)3.3反向传播调节权重过程 (19)3.3.1输出层残差 (19)3.3.2下一层为下采样层的卷积层的残差 (19)3.3.3下一层为卷积层的下采样层的残差 (20)3.3.4连接到卷积层的相应层的权值和偏置导数 (20)3.4基于卷积神经网络的高光谱图像分类算法设计 (20)3.4.1算法设计的工作流程 (20)3.4.2Softmax回归 (21)3.4.3激活函数ReLU (22)3.4.4基于卷积神经网络的高光谱影像分类框架 (23)3.5本章小结 (24)第四章实验仿真结果与对比 (26)4.1数据集 (26)4.2数据预处理 (27)4.3分类精度评价方法 (28)4.4基于卷积神经网络的高光谱图像的分类结果 (29)4.5算法有效性对比 (31)4.5.1k NN算法分类结果 (31)4.5.2BP神经网络算法分类结果 (33)4.5.3支持向量机算法分类结果 (35)4.5.4精度评价 (37)4.6本章小结 (38)第五章总结与展望 (39)5.1总结 (39)5.2展望 (39)致谢 (41)参考文献 (42)攻读硕士学位期间主要的研究成果 (47)第一章绪论第一章绪论1.1研究工作的背景与意义高光谱遥感技术(Hyperspectral Remote Sensing Technology,HRST)是基于多光谱遥感技术发展的基础上[1]，它所获取的图像不仅含有高分辨率的可以用来表征地物属性的一维光谱信息，还含有二维高分辨率几何空间信息，从而可以提取地物的细节信息。
高光谱图像分类算法的研究与实现
高光谱图像分类算法的研究与实现随着高光谱遥感技术的快速发展，获取高光谱数据集的难度越来越小，但如何从大量的光谱数据中提取有用的信息，成为研究者们所关注的重要问题。
分类作为高光谱图像应用的核心问题之一，属于监督学习的范畴，具有广泛的应用前景。
本文将介绍高光谱图像分类算法的研究现状和实现方法。
一、高光谱图像分类算法研究现状高光谱图像分类算法是从多光谱图像或全色图像中提取光谱信息以分类物体的遥感应用算法。
目前，高光谱图像分类算法主要有以下几种：1. 基于统计学习的分类算法统计学习是通过对大量实例进行学习和推断来构造模型，对观测数据进行分类或回归预测的方法。
在高光谱图像分类中，常用的统计学习算法包括KNN、SVM、决策树等。
这些算法快速高效，特别是在小样本分类中表现优秀，但是在对特征提取方法不足和噪声较多的情况下，分类精度有待提高。
2. 基于神经网络的分类算法神经网络是一种模拟人脑神经系统的学习算法，具有一定的自适应性，可增加模型的分析能力。
在高光谱图像分类中，常用的神经网络算法包括BP神经网络、SOM神经网络、CNN神经网络等。
这些算法具有极强的图像处理和模式匹配能力，但是需要大量样本，且模型复杂，训练速度较慢。
3. 基于深度学习的分类算法深度学习是近年兴起的一种基于神经网络的学习算法，包括卷积神经网络（CNN）、循环神经网络（RNN）等，具有很强的自适应性和泛化能力。
在高光谱图像分类中，深度学习算法具有很大的优势，目前在高光谱遥感分类领域有很多应用。
二、高光谱图像分类算法实现方法1. 特征提取特征提取是高光谱图像分类算法的重要环节。
目前，特征提取方法主要包括基础特征提取、频域特征提取、小波变换特征提取和稀疏表示特征提取等。
基础特征提取是最常用的方法之一，包括光谱信息和空间信息。
以光谱信息为例，可以采用平均值、标准差或者主成分分析等方法来提取基础特征。
空间信息可以通过纹理信息、梯度等方式来提供基础特征。
基于深度学习的遥感图像分类与目标识别技术研究
基于深度学习的遥感图像分类与目标识别技术研究遥感图像分类与目标识别是遥感技术领域中的重要研究内容，它对于实现对遥感图像的快速分析和准确识别具有重要意义。
近年来，随着深度学习技术的发展，基于深度学习的遥感图像分类与目标识别技术得到了广泛关注和应用。
本文将对基于深度学习的遥感图像分类与目标识别技术进行探讨，并介绍其研究现状与未来发展趋势。
首先，我们来介绍一下深度学习技术。
深度学习是机器学习领域中的一个分支，其核心思想是通过构建多层神经网络，对输入的数据进行端到端的学习和特征提取。
相比传统的机器学习方法，深度学习具有更强的自动特征提取能力和非线性建模能力，这使得其在遥感图像分类与目标识别任务中具备较高的准确性和鲁棒性。
对于遥感图像的分类任务，基于深度学习的方法通常包括两个关键步骤：特征提取和分类器设计。
在特征提取方面，卷积神经网络（CNN）被广泛应用。
CNN通过在卷积层中提取图像的空间和频率信息，并通过池化层进行空间抽样和特征降维，逐步提取图像的高层次特征表示。
这些特征表示能够较好地描述遥感图像中的地物属性，为后续的分类器提供有力支持。
在分类器设计方面，深度学习方法通常采用全连接神经网络或支持向量机等方法。
全连接神经网络通过将卷积层输出的特征进行扁平化，并通过多层全连接层进行分类决策。
而支持向量机则通过定义超平面来将不同的类别分隔开来，实现遥感图像的精确分类。
此外，深度学习还可以结合传统的特征提取方法，如局部二值模式（LBP）、尺度不变特征变换（SIFT）等进行联合特征学习，进一步提高分类性能。
除了遥感图像分类，基于深度学习的目标识别技术也取得了显著的进展。
目标识别是指在遥感图像中准确地检测和定位出各类目标，如建筑物、道路、车辆等。
深度学习方法通常通过构建区域提议网络（RPN）和区域分类网络（RCN）来实现目标检测。
RPN通过滑动窗口的方式生成候选目标框，并计算其与真实目标框的匹配程度得分。
RCN则根据这些候选框的得分进行分类和定位。
基于深度学习的高光谱遥感图像分类方法研究
基于深度学习的高光谱遥感图像分类方法研究随着科技的发展，高光谱遥感技术成为了遥感领域中的研究热点。
高光谱数据具有比传统遥感数据更丰富的光谱特征，使得地物分类和识别更加精准和可靠。
然而，高光谱数据巨大，特征复杂，分析难度大，如何有效的利用这些数据成为了一个重要的问题。
基于深度学习的高光谱遥感图像分类方法应运而生。
一、高光谱遥感图像高光谱遥感是新一代遥感技术，其在空间和光谱分辨率方面远高于传统遥感技术。
高光谱遥感数据包括了大量连续的光谱波段数据，因此能够提供物体更为细致、更为充分的光谱特征信息。
这种数据的高维度特性导致了数据处理和分类非常复杂。
为了解决这一问题，研究者引入了基于深度学习的高光谱遥感图像分类方法。
二、深度学习深度学习是一种基于人工神经网络的机器学习技术，其神经网络主要由隐藏层组成，用于从大量数据中提取特征，并能以较高的准确度解决复杂的模式识别问题。
深度学习是一种非常有前途的技术，应用领域逐渐扩展，如计算机视觉、语音识别、自然语言处理等。
基于深度学习的高光谱遥感图像分类方法正是一种可以利用深度学习技术处理高维度数据的方法。
三、基于深度学习的高光谱遥感图像分类方法目前，基于深度学习的高光谱遥感图像分类方法主要分为两类：一种是基于卷积神经网络（CNN）的方法，另一种是基于自编码器（AE）的方法。
基于CNN的方法是目前应用最广泛的分类方法之一，其主要是通过提取高光谱遥感图像中的卷积特征，然后进行分类。
基于AE的方法则是通过使用非线性映射的自编码器来降维，然后采用其他算法进行分类。
四、深度学习在高光谱图像分类中的优势与传统方法相比，深度学习在高光谱图像分类中具有如下优势：1. 更准确的分类：深度学习能够从大量数据中学习特征，可以提高分类准确度，尤其是对于复杂的分类任务。
2. 更快的处理速度：由于深度学习能够利用GPU进行并行计算，其处理速度比传统算法更快。
3. 更高的鲁棒性：深度学习是一种端到端的学习方式，可以根据不同的输入进行训练，并且很好的适应样本分布的不均衡问题，提高了分类鲁棒性。
深度学习应用于遥感图像分类的研究
深度学习应用于遥感图像分类的研究近年来，随着深度学习技术的逐步成熟，它得以应用到更多的领域，遥感图像分类就是其中之一。
遥感图像分类可以帮助人类更好地了解和管理地球表面的各种自然资源、环境和人类活动。
而利用深度学习技术进行遥感图像分类，则可以更快速、更正确地完成分类任务。
一、深度学习技术在遥感图像分类中的应用深度学习算法在遥感图像分类中的应用主要包括卷积神经网络（CNN）和循环神经网络（RNN）等。
卷积神经网络是一种专门用于图像处理的神经网络，可以自动从数据中学习到图像特征，并且通过卷积运算可以在不同尺度下抽取不同特征。
而循环神经网络则是一种重点用于序列数据处理的神经网络，可以处理具有一定时间顺序的数据，并且能够从顺序数据中提取出重要的信息。
遥感图像分类需要考虑到图像的时间序列、空间分布等特点，利用深度学习算法可以有效地提高遥感图像分类的准确性和效率。
目前，遥感图像分类的深度学习算法应用主要有以下几方面。
1. 基于卷积神经网络的图像分类卷积神经网络可以自动从数据中学习到图像的特征，并且通过多层的卷积层对图像进行处理，最终得到一个可分类的特征向量。
对于遥感图像分类，可以将图像分割成小块，然后将这些小块交给卷积神经网络进行处理，得到分类结果。
2. 基于循环神经网络的时间序列分类对于具有时间序列特点的遥感图像，可以采用循环神经网络进行处理。
通过循环神经网络的记忆能力，可以将前面的时间序列数据当做输入，进行数据的处理。
这样，在处理时间序列数据时，就可以尽可能地利用过去的信息，较为准确地进行分类。
3. 基于深度学习的遥感图像分割图像分割可以将图像分成不同的区域，进行不同类型的分类。
利用深度学习算法可以有效地提高遥感图像分割的准确性和效率。
二、深度学习算法在遥感图像分类中的研究进展随着深度学习技术的不断发展，越来越多的研究者开始关注深度学习技术在遥感图像分类领域的应用。
在这一领域，深度学习算法已经在很多方面上取得了重要的进展。
研究基于深度学习的遥感图像分类技术
研究基于深度学习的遥感图像分类技术随着科技的不断发展，遥感技术在自然资源、环境治理和城市规划等领域中的应用得到了越来越广泛的认可。
遥感图像分类是遥感技术的重要应用之一，它可以通过对遥感图像的分类和识别，为农业、林业、气象、城市规划等领域提供有力的支持。
然而，传统的遥感图像分类方法存在着许多不足之处，例如，难以提取深度特征，分类精度不高等。
近年来，基于深度学习的遥感图像分类技术逐渐受到关注，成为了研究热点。
本文将介绍基于深度学习的遥感图像分类技术的现状和未来发展方向。
一. 深度学习在遥感图像分类中的应用深度学习是一种数据驱动的机器学习方法，可以从数据中自动学习特征，并将这些特征用于预测和分类任务。
在遥感图像分类中，深度学习可以通过学习具有丰富特征表现能力的卷积神经网络（CNN），以提高分类精度和时间效率。
1. 卷积神经网络卷积神经网络是深度学习中最具有代表性的模型之一。
它是一种前向传播的神经网络，具有局部连接、参数共享、层次结构等特点。
在遥感图像分类中，卷积神经网络可以自动提取图像的深度特征，从而实现高效准确的分类。
例如，在一项研究中，研究人员使用三层卷积神经网络对土地利用类型进行分类。
在该研究中，研究人员使用了遥感图像数据作为输入，并将其分成训练集和测试集。
通过对网络进行训练，研究人员获得了高精度的分类结果。
2. 深度学习算法的优点相对传统的遥感图像分类算法，基于深度学习的算法具有以下优点：（1）非线性特征的提取：深度学习算法可以自动学习图片中的非线性特征，与传统方法相比，更具有辨别力；（2）数据量需求小：传统方法需要分析大量数据，而对于深度学习算法则不需要，只需要一定数量的数据便可以很好地训练模型；（3）泛化能力强：深度学习算法在面对新数据时具有很好的泛化能力，可以很好地适应新数据；（4）自适能力强：深度学习算法具有自适应特性，可以快速、准确的适应新的数据分布。
二. 基于深度学习的遥感图像分类技术的发展趋势基于深度学习的遥感图像分类技术目前已经取得了大量成果，但是还有许多问题需要解决，下面列出了一些可能的研究方向：1. 大规模遥感图像分类随着遥感图像数据的不断增加，如何高效地对大规模遥感图像进行分类成为了一个重要的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
LIUXiaobo１,３,YINXu１,３,LIU Haibo２,WANG Min１,３,YANBingyun２
(１．SchoolofAutomation,ChinaUniversityofGeosciences,Wuhan４３００７４,China;２．CollegeofAutomationand ElectronicEngineering,QingdaoUniversityofScienceandTechnology,Qingdao２６６０６１,China;
深度迁移学习在高光谱遥感图像分类中的 研究现状与展望
刘小波１,３,尹 旭１,３∗ ,刘海波２,汪 敏１,３,颜丙云２
(１．中国地质大学(武汉)自动化学院,湖北 武汉 ４３００７４;２．青岛科技大学 自动化与电子工程学院,山东 青岛 ２６６０６１; ３．复杂系统先进控制与智能自动化湖北省重点实验室,湖北 武汉 ４３００７４)
３．HubeiKeyLaboratoryofAdvancedControlandIntelligentAutomationforComplexSystems,Wuhan４３００７４,China)
Abstract:Hyperspectralremotesensing (HRS)technologyplaysanimportantroleinthe fieldofearthobservationbyusingmanynarrowelectromagneticwavebandstodetectground informationcontainingabundantspace,radiationandspectrum．Withtherapiddevelopment ofdeeplearning,algorithmssuchasdeepneuralnetworks (DNNs)anddeepforesthave beenwidelyadoptedintheclassificationtasksofHRSimage,butatthesametimetheyhave broughtaseriesofdifficulties,suchasthedemandforalargenumberoftrainingsamples,
摘 要 :高 光 谱 遥 感 通 过 利 用 许 多 窄 电 磁 波 波 段 获 取 包 含 丰 富 的 空 间 、辐 射 和 光 谱 信 息 ,在 对 地观测研究领域扮演着重要角色.随着深度学习的 迅 速 发 展,深 度 神 经 网 络 及 深 度 森 林 等 算 法 在 高 光 谱 遥 感 图 像 分 类 任 务 中 得 到 广 泛 应 用 ,但 同 时 也 产 生 了 一 系 列 困 难 ,如 对 训 练 样 本 数 量 需 求 高 、模 型 训 练 耗 时 以 及 分 类 代 价 大 等 问 题 . 将 深 度 学 习 与 迁 移 学 习 结 合 ,能 够 有 效 解 决 上述问题,在高光谱遥感图像分类领域得到初步应 用.本 工 作 首 先 介 绍 高 光 谱 遥 感 图 像 分 类 的相关背景,之后介绍深度 学 习 在 高 光 谱 遥 感 图 像 分 类 中 的 应 用,并 指 出 其 具 有 的 优 势 与 不 足 ,最 后 介 绍 深 度 迁 移 学 习 在 高 光 谱 遥 感 图 像 分 类 中 的 应 用 ,并 对 当 前 研 究 存 在 的 问 题 进 行 总 结与展望. 关 键 词 :高 光 谱 ;遥 感 ;深 度 学 习 ;深 度 迁 移 学 习 ;图 像 分 类 中 图 分 类 号 :TP７５１．１ 文 献 标 志 码 :A 引 用 格 式 :刘 小 波 ,尹 旭 ,刘 海 波 ,等 ．深 度 迁 移 学 习 在 高 光 谱 遥 感 图 像 分 类 中 的 研 究 现 状 与 展 望 [J]．青 岛 科 技 大 学 学 报 (自 然 科 学 版 ),２０１９,４０(３):１Ｇ１１． LIU Xiaobo,YIN Xu,LIU Haibo,etal．ClassificationofhyperspectralremotesensingimＧ agebasedondeeptransferlearning:Areview[J]．JournalofQingdao UniversityofScience andTechnology(NaturalScienceEdition),２０１９,４０(３):１Ｇ１１．
第４０卷 第３期 ２０１９ 年 ６ 月
JournalofQingdaoUni青ver岛sity科of技Sc大ien学cea学nd报T(e自ch然nol科og学y(版N)aturalScienceEdition)
VoJlu．n４０．２０N１o９．３
文 章 编 号 :１６７２Ｇ６９８７(２０１９)０３Ｇ０００１Ｇ１１;DOI:１０．１６３５１/j．１６７２Ｇ６９８７．２０１９．０３．００１
收 稿 日 期 :２０１８Ｇ１２Ｇ２７ 基金项目:国家自然科学基金项目(６１６０３３５５,６１８７３２４９);中国地质大学(武汉)中央高校基本科研业务费资助项目 (CUGL１７０２２);湖北
省自然科学基金面上项目 (２０１８CFB５２８)． 作 者 简 介 :刘 小 波 (１９７８— ),男 ,副 教 授 ． ∗ 通 信 联 系 人 ．
２
青 岛 科 技 大 学 学 报(自然科学版)
第 ４０ 卷
thetimeＧconsumingtrainingprocess,andthehightrainingcost．Combiningtheadvantages ofdeeplearningandtransferlearning,effectivelysolvestheaboveproblems,whichhasalＧ