无监督学习的遥感解译方法

目前深度学习的基础是对大量被正确标注的结构化样本数据的训练。尽管我们处在一个信息爆炸、被各种数据淹没的时代，但这些数据尤其是遥感数据大部分是未经标注和整理的，这意味着这些数据对于大多数目前的监督式学习来说并不可用，即使现在已经有大量免费和公开的标签数据集，涵盖了各种各样不同的类别，但事实证明他们对人工智能解译遥感数据的作用依然存在很大的局限性。

标注样本集或许过小、或许标注存在偏差，在训练一个复杂的遥感解译模型时，使用小数据集可能会导致所谓的过度拟合，这是由于大量可学习参数与训练样本强关联所导致的，最终我们得到的可能是一个仅适用于这些训练样本的模型，而不是从数据中学习一般概念的模型。广西善图科技有限公司

无监督学习算法将会是解决遥感数据标注样本稀缺的重要技术发展方向，与监督学习需事先进行标注分类截然不同的是，他可以很好的帮助我们根据类别未知无标注的训练样本解决遥感数据解译中的各种问题。在面对海量遥感数据时，我们要处理面对的不在是进行结构化标注完善的各类样本，而是遥感数据本身。简单来说，无监督学习使得机器本身代替我们对影像数据集进行聚类和分析，例如遥感图像中有着汽车、飞机、船舶、建筑、道路等多种可检测目标，监督学习的方法是先将这些目标标注出来，提取特征进行训练，而后依据训练结果进行目标识别，无监督学习则是机器根据自身归纳的这些目标包含的人类可能无法理解的算法视角特征进行聚类，而后由人类或者相对简易的特征比对模型进行一类对象的识别。