Phân loại ảnh viễn thám siêu phổ dựa trên mô hình CNN-KELM sâu

Nghiên cứu này đề xuất một phương pháp phân loại ảnh viễn thám siêu phổ (AVTSP). Chúng tôi sử dụng một khung mạng nơ-ron tích chập mới để trích xuất các đặc điểm cục bộ của ảnh viễn thám siêu phổ, và sau đó sử dụng một thuật toán máy học hạt nhân cấp tốc (kernel extreme learning machine, KELM) để phân loại các đối tượng khác nhau.
Nội dung trích xuất từ tài liệu:
Phân loại ảnh viễn thám siêu phổ dựa trên mô hình CNN-KELM sâu Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Phân loại ảnh viễn thám siêu phổ dựa trên mô hình CNN-KELM sâu Lê Bá Tuấn,Vũ Quốc Huy, Nguyễn Vũ Hưng, Lê Khánh Thành và Phạm Chí Thành Phòng Thiết Bị Và Hệ Thống Thông Minh Viện Tự Động Hóa Kỹ Thuật Quân Sự Email: batuanle@hotmail.com, maihuyvu@gmail.com, kehoachvtdh@gmail.com, lethanhvtdhktqs@gmail.com, th.phamchi@gmail.com Abstract—Nghiên cứu này đề xuất một phương pháp dữ liệu AVTSP. Nó được chứng minh là một phương phân loại ảnh viễn thám siêu phổ (AVTSP). Chúng tôi sử pháp khai thác tính năng với hiệu quả cao [7], [8], [9]. dụng một khung mạng nơ-ron tích chập mới để trích Huang và cộng sự [10] đề xuất thuật toán máy học hạt xuất các đặc điểm cục bộ của ảnh viễn thám siêu phổ, và nhân cấp tốc, sử dụng lý thuyết hàm hạt nhân và không sau đó sử dụng một thuật toán máy học hạt nhân cấp tốc cần xác định số lượng nút lớp ẩn, do đó thời gian đào (kernel extreme learning machine, KELM) để phân loại các đối tượng khác nhau. Các thí nghiệm được thực hiện tạo nhanh hơn các mạng truyền thống. trên hai ảnh viễn thám siêu phổ và thu được kết quả Bộ phân loại được sử dụng trong hầu hết các phân loại tốt. nghiên cứu là hàm Softmax truyền thống. Chức năng này sẽ hoạt động kém trong các bài toán đa phân loại. Keywords- Ảnh viễn thám siêu phổ, mạng nơ-ron tích Mặt khác, việc sử dụng các đặc trưng không gian của chập (convolutional neural network, CNN), máy học hạt các đối tượng trên mặt đất để nâng cao độ chính xác nhân cấp tốc (kernel extreme learning machine, KELM), của mô hình phân loại là một nhiệm vụ quan trọng cần phân loại. được nghiên cứu trong công nghệ viễn thám. Do đó, để cải thiện hiệu suất của mô hình phân loại AVTSP, dựa I. GIỚI THIỆU trên hai thuật toán CNN và KELM, nghiên cứu này đề Gần đây, thuật toán học sâu đã thu hút sự chú ý của các xuất một mô hình phân loại cho AVTSP. Mô hình này nhà nghiên cứu trong việc phân loại ảnh viễn thám siêu sử dụng các ưu điểm của thuật toán CNN và KELM và phổ [1], [2]. Mou và cộng sự [3] đã đề xuất một khung thông tin phổ không gian của AVTSP. Thuật toán CNN mạng nơ-ron lặp lại sâu cho phân loại AVTSP. Mô được sử dụng để trích xuất các đặc trưng cục bộ không hình này có thể phân tích hiệu quả các pixel siêu phổ gian-phổ của AVTSP và chuyển các đặc trưng sang và xác định các đối tượng thông qua một mạng suy KELM để phân loại. luận. Zhou và cộng sự [4] đưa ra một mô hình phân II. THIẾT LẬP KHUNG PHÂN LOẠI AVTSP loại AVTSP bằng cách sử dụng một mạng nhớ ngắn- dài hạn. Đầu tiên, mô hình sử dụng thuật toán phân tích 1. Mạng nơ-ron tích chập thành phần chính để trích xuất các tính năng chính của Cấu trúc mạng nơ ron tích chập bao gồm các lớp tích AVTSP, sau đó nhập các tính năng của mỗi pixel vào chập, lớp gộp, và lớp kết nối. Lớp kết nối thường là mạng nhớ ngắn-dài hạn để học và cuối cùng sử dụng một vectơ một chiều. Nếu l một lớp chập, ánh xạ đối bộ phân loại Softmax để phân loại từng pixel. Zhao và tượng j được tính theo công thức (1) cộng sự [5] đã đề xuất một khung mạng nơ-ron tích chập nhiều lớp để phân loại AVTSP. Khung có hai mô- xlj g xil 1 kijl blj (1) đun: “mạng quyết định và mạng phức hợp” và sử dụng xin 1 Mj phương pháp biểu quyết để thu được kết quả hợp nhất của hai mạng này. Wang và cộng sự [6] đã sử dụng ở đây, g ( ) là một hàm kích hoạt phi tuyến tính; M j mạng nơ-ron tích chập để trích xuất các đặc điểm của l l AVTSP và sử dụng một thuật toán rừng ngẫu nhiên để là dữ liệu đầu bào; kij là nhân tích chập; b j là độ lệch. chọn các đặc trưng và phân loại. Kết quả cho thấy rằng Nếu lớp l là một lớp gộp, thì ánh xạ đối tượng j phương pháp đề xuất của họ có thể cải thiện kết quả được thể hiện bằng công thức (2) phân loại của ảnh AVTSP. So với các phương pháp học máy truyền thống, xlj g l j DO xlj 1 blj (2) CNN có thể trích xuất các đặc điểm hình học của hình ảnh tốt hơn. Trong phân loại AVTSP, CNN có thể được sử dụng như một công cụ trích xuất đặc trưng cho ISBN: 978-604-80-5076-4 265 Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Hình 1: Một mô hình phân loại cho ảnh viễn thám siêu phổ. 1 Alfalfa 10 Soybean-notill 2 Corn-notill 11 Soybean-mintill ...