典型文献
深度学习密集匹配中样本精度与匹配精度的关系研究
文献摘要：
随着计算机硬件的发展,深度学习密集匹配方法在近景数据集上取得了惊人的效果,但密集匹配监督方法所需的样本标注困难(尤其是航空影像),且数据区域的样本可能存在误差,而这些误差对密集匹配精度的影响未知.针对该问题,通过模拟样本系统误差、随机误差和粗大误差的方式分析了各项误差与密集匹配精度的关系.结果表明:①迁移学习法可有效提高密集匹配精度,使误差平均减少15.3％,并能提升网络抗噪能力,加速网络收敛,减少训练时间;②深度学习网络在一定范围内具有容错能力,但误差增幅会随噪声平均偏移量的增加而逐渐变大;③深度学习的抗噪能力主要体现在随机误差方面,系统性整体偏差对精度影响更大,尤其是基于视差大小的百分比误差,将大幅降低匹配精度.通过进一步分析Vaihingen与WHU数据集增加系统误差后的表现发现,对于环境复杂且数据样本较少的情况,系统误差可能导致网络直接训练不收敛,此时可采用迁移训练的方法改进.
文献关键词：
深度学习;密集匹配;样本精度;匹配精度;迁移学习
中图分类号：
作者姓名：
李志勇;官恺;牛泽璇;晏非;孙曼;闫兆婵
作者机构：
61363部队,陕西 西安 710054
文献出处：
引用格式：
[1]李志勇;官恺;牛泽璇;晏非;孙曼;闫兆婵-.深度学习密集匹配中样本精度与匹配精度的关系研究)[J].地理空间信息,2022(09):1-7,17
A类：
B类：
密集匹配,样本精度,匹配精度,计算机硬件,匹配方法,近景,惊人,监督方法,样本标注,航空影像,模拟样本,本系,系统误差,随机误差,粗大,方式分析,迁移学习,网络收敛,少训练,训练时间,深度学习网络,容错能力,偏移量,力主,精度影响,视差,Vaihingen,WHU,环境复杂,差可,不收,迁移训练,方法改进
AB值：
0.426584
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
