概述

深度学习分类模型即1与2所提到的网络模型，分类结果显示与评价即系统可以显示分类结果图，分类精度评价数据，包括总体精度，平均精度及Kappa系数等精度评价数据。

需求详情

高光谱图像的光谱分辨率和空间分辨率的提高，导致图像的信息量增加，信息冗余，波段相关性高，这种特点直接导致高光谱图像处理更加困难，难以获得更加合适的图像处理方法，同时也增加了计算复杂度。并且，传统的机器学习分类方法只能提取高光谱图像的浅层特征，无法应对高光谱图像的复杂的数据特性，分类精度提高有限。近年来，随着计算机硬件技术的发展，深度学习逐渐被应用到各个领域，其受到大脑结构的启发，通过模拟人脑进行分析学习，可以模仿人脑的结构特点来分析图像、数据。深度学习为高光谱图像分类领域带来了一个新的方向，通过深度神经网络的特征学习，往往能够得到更加鲁棒的、更适于分类的深层次特征，进而提高分类精度。请有兴趣的企业与我处对接。

技术参数

1.所设计的分类系统能够集成传统深度学习网络模型以及学术界经典的网络模型；2.用户能够自定义网络模型,具体是指，用户在使用过程中，能够根据项目需要，自行选择卷积或者池化个数，能够自主设计网络模型结构；3.系统要完全脱离Python及深度学习环境，使得普通用户即使不安装深度学习环境也能完成系统操作。即所设计的系统不依赖于Python环境，在任何没有安装Python环境的电脑上也可以运行，这种就要考虑怎么将所写python程序打包到系统中；4.系统要能够处理多种高光谱图像类型，如.mat格式，.jpg格式，.tif格式等，并且系统功能要包含高光谱图像预处理，如降噪，降维等、深度学习模型分类及分类结果显示与评价。