主講人：林怡

單位：同濟大學(xué)測繪與地理信息學(xué)院

職務(wù)/職稱：研究員

個人簡介：博士，碩士、博士生導(dǎo)師，中國測繪學(xué)會攝影測量與遙感專業(yè)委員會委員、中國測繪學(xué)會大數(shù)據(jù)與人工智能工作委員會委員、國際地圖制圖協(xié)會(ICA）Sensor-driven Mapping分委會委員、上海測繪學(xué)會會員。長期從事多源遙感影像解譯、RS與GIS技術(shù)綜合應(yīng)用研究。近年來對人工智能理論在遙感圖像分析與解譯中的應(yīng)用研究方面取得了多項成果。主持或參加完成了40多項國家科技支撐、國家重大研發(fā)計劃、國家自然科學(xué)基金、科技部國際合作、上海市重大和國際合作項目。在國內(nèi)外學(xué)術(shù)期刊和國際學(xué)術(shù)會議上發(fā)表論文90余篇，其中SCI/EI收錄共62篇；參編著書1部；獲軍隊科技進步、上海市科技進步獎共8項。獲授權(quán)的國家發(fā)明專利6項；軟件著作權(quán)登記多項。

報告題目：幾種優(yōu)化機器學(xué)習(xí)影像分類算法的性能比較研究

報告摘要：在城市可持續(xù)發(fā)展的研究中，準(zhǔn)確的土地利用分類已經(jīng)成為監(jiān)測城市動態(tài)變化的重要依據(jù)。因此，有必要建立合適的城鄉(xiāng)土地利用識別模型。雖然近年來深度學(xué)習(xí)算法已經(jīng)成為圖像分類任務(wù)的研究熱點，并取得了許多良好的效果。但其他機器學(xué)習(xí)算法并沒有消失。深度學(xué)習(xí)與機器學(xué)習(xí)相比，在數(shù)據(jù)依賴性、硬件依賴性、特征處理、問題解決方法、執(zhí)行時間、可解釋性等方面都有一定的優(yōu)劣之分。特別是在遙感影像的分類方面，對傳統(tǒng)機器學(xué)習(xí)算法的不斷研究和發(fā)展仍然具有重要意義。本文研究并比較了幾種基于SLFN的分類算法的性能，包括ELM、RBF K-ELM、混合K-ELM、A-ELM和SVM。極限學(xué)習(xí)機（ELM）是一種新的單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLFN）的算法。它的結(jié)構(gòu)簡單，速度快，容易訓(xùn)練。然而，在某些應(yīng)用中，標(biāo)準(zhǔn)的ELM很容易被過度擬合，當(dāng)異常值存在時，其性能將受到嚴(yán)重影響。為了探討ELM及其改進算法在城鄉(xiāng)土地利用分類中的性能，用幾個研究地區(qū)的圖像數(shù)據(jù)對三種改進的ELM算法（RBF K-ELM、混合K-ELM和A-ELM）、ELM和SVM進行了比較實驗，并分析了分類精度和效率。