《表1 梯度洗脱程序：融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：“*”表示特征约简后重要特征。

深度学习虽可通过模型训练自动生成一些特征向量，很大程度上简化特征工程的工作量。然而这些特征往往是不可解释的隐性特征，导致模型泛化能力低。因此，样本特征约简可通过提取重要特征舍弃不重要的、非共性特征，提高模型的运行效率和泛化能力[25]。本文选择的影像特征为光谱、指数和纹理信息的组合，如表1所示，均源于遥感影像多波段数据。遥感影像指数是对多波段数据的线性组合，用以提高地类影像特征的显著性，利于网络学习模型对数据的理解。纹理信息则可以反映目标区域周围单元排列信息和单元间的联系，是一种突出影像中同质现象的视觉特征。所有数据均经过特征标准化处理，其中单波段数据可生成一组纹理特征，即7类光谱特征，每类特征生成8组纹理特征数据。