来源：期刊VIP网 时间：
作者：余腾;朱益民;王月华;向健斌;张丹丹;
单位：宿迁学院建筑工程学院;中国地质大学(北京)土地科学技术学院;
摘要：在影像尤其是高光谱影像分类中，用于学习训练的标签质量对分类成效影响并未得到充分重视。为此，文章基于PyTorch框架，利用Indian Pines高光谱数据集，探讨了在RF、BP、CNN和SSConvNeXt模型下，光谱特征相似度较高的地物在不同比例人为误标注情况时对分类结果的影响。分析结果认为：同样错误标注情况下，SSConvNeXt和CNN相较RF、BP模型体现出20%以上的分类精度优势；在无人为错误标注、10个错误噪声标签、错误标签占比15%和25%时，SSConvNeXt和CNN模型的分类精度都在96%以上，体现了模型的容错性和稳定性；在相对传统的RF和BP模型中，错误标签对分类影响较大且离散。最后重点分析了SSConvNeXt模型在分类方面的机制优势。该研究可从训练样本角度为遥感影像分类精度问题给予一定的方法选择和定量分析依据。
关键词：高光谱遥感;;样本标签质量;;深度学习;;分类精度;;分类机制
基金资助：国家自然科学基金(41874051);; 江苏省高校自然科学研究面上项目(20KJB170009)
