科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对机载成像高光谱遥感仪器获得的大批量高光谱数据很难实现高效快速的矿物信息提取和识别的问题，提出了一种基于改进样本驱动的高光谱矿物识别模型压缩方法，对神经网络中的冗余神经元进行剪枝，从而获取高效的矿物识别模型。首先，以验证数据集中的正确识别样本为数据驱动，计算各神经元经激活函数后的输出零值频率，并将其作为该神经元重要性判据，探讨各神经元对神经网络正确识别样本的贡献；其次，通过设置重要性阈值对冗余神经元进行剪枝，并对剪枝网络进行再训练，在保留原网络正确识别特性的基础上，提升压缩模型识别精度；最终通过多次迭代剪枝获得高效的压缩矿物识别模型。利用基于改进样本驱动的模型压缩方法对基于多层感知机的矿物识别模型进行压缩改进，并以美国内华达州Cuprite矿区的机载可见光/红外成像光谱仪的高光谱数据作为测试数据，获得了压缩比3.33、矿物识别精度94.35%的高效矿物识别模型。
- 单位
