【摘 要】
：
近几年发展起来的半监督分类算法,对解决高光谱遥感数据的小样本分类具有重要意义.直推学习是机器学习领域处理未标记样本的一种有效手段,它通过对未标记样本的挖掘,将其与已标记样本综合,来构造一个更优的分类器.Joachims(1999)提出直推支持向量机(Transductive Support Vector Machine,TSVM)这一概念并将其成功应用在文本分类中,有效的改善了分类性能.与传统SV
【机 构】
：
中国国土资源航空物探遥感中心 北京市海淀区学院路31号航遥中心 100083 中国科学院遥感与数字
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
近几年发展起来的半监督分类算法,对解决高光谱遥感数据的小样本分类具有重要意义.直推学习是机器学习领域处理未标记样本的一种有效手段,它通过对未标记样本的挖掘,将其与已标记样本综合,来构造一个更优的分类器.Joachims(1999)提出直推支持向量机(Transductive Support Vector Machine,TSVM)这一概念并将其成功应用在文本分类中,有效的改善了分类性能.与传统SVM相比,TSVM在训练样本误差最小化方面更符合实际应用需要,但是复杂度也高了很多.另外,TSVM需人为预设定未标记样本中的正类样本数目,而这个数值通常很难估计,一旦设置偏差较大,分类器性能会迅速下降.为此,Chen等(2003)提出一种渐进直推支持向量机(Progressive Transductive Support Vector Machine,PTSVM),在训练开始之前不对未标记样本的分布做任何预先估计,在训练过程中利用成对标注法将新选择的样本加入到已标记样本,进行新一轮训练,并标签重置法使迭代过程早期出现的对未标记样本的误标,在后期得以重置为未标记状态,继续执行迭代,并有可能在之后的训练中得到更准确的标记.
其他文献
混合像元分解一直是高光谱遥感图像研究领域的一个热门话题。混合像元分解技术主要分为两个过程：端元提取和丰度反演。而混合像元分解的关键技术之一就是端元提取,亦是本文的研究重点。在近几年来,群智能算法逐渐被应用于端元提取技术,比如DPSO-EE和ACO-EE等方法。目前大多数端元提取方法都是基于线性混合模型(Linear Mixture Model ,LMM),但是根据以往的经验,我们发现了一些在混合像
传统的线性光谱解混基本工作分为两个步骤：一个是端元提取(endmember extraction)；二是丰度估计(abundance estimation)，目前已经出现很多成熟的混合像元光谱分解算法，如纯净像元指数法(PPI)、最大体积法(N-FINDR)，顶点成分分析算法(VCA)等。然而这些传统的线性混合像元分解方法作为无监督方法存在诸多不足，首先这些传统的解混算法没有考虑混合像元之间的区别
基于卫星平台进行数据获取是目前高光谱遥感采用的主要方式之一,但是随着技术的不断发展,高光谱图像的数据量越来越大,而卫星有限的下传信道带宽限制了数据的下传效率,同时也很大程度上影响了高光谱遥感信息服务的时效性和能力。针对这一问题可以采用星载的高光谱遥感图像智能处理系统,通过数据的实时处理和产品生成,实现信息的在轨分发和快速下传。在目前可利用的星上数据处理设备中,现场可编程门阵列(Field Prog
地表水是城市环境中最重要的资源之一.Landsat影像是地表水体提取中应用最广泛的光学影像,然而混合像元的问题影响了水体的准确提取.尽管针对Landsat影像已有了许多水体指数,如归一化水体指数NDWI,改进的归一化水体指数MNDWI以及自动水体提取指数AWEI等,但这些指数的应用受限于阈值的稳定性以及亚像元精度.本论文的目的是提出一种新的水体指数,它可以提高亚像元级别精度并且具有稳定的阈值.线性
指纹是刑事物证鉴定领域是最重要的物证之一,常被称为"证据之王",其中以基于光学技术的指印采集、分析鉴定最为常见.但是传统光学成像方法获取的指纹往往无法达到辨识的目的,主要表现在指纹无法利用裸眼看清、指纹信号微弱、背景干扰严重、指纹模糊和破损等问题.随着技术的进步,David L.Exline (2003)等[1]将高光谱成像技术引入物证鉴定领域,由液晶可调波长滤光镜(LCTF)等成像设备获取的光谱
近年来，遥感卫星能够实现大范围，长时间，周期性的对地观测，因此，利用遥感影像的变化检测方法成为对地观测最有效的技术之一。所谓变化检测就是指利用多个时期的覆盖同一地区的遥感影像来确定地物状态的变化过程。
高光谱图像具有光谱分辨率高、图谱合一的特点，可以提供丰富的地物信息，因此在目标检测领域有着独特的优势。然而，高光谱图像的数据量大、数据维度高、目标较小等因素，都给目标检测带来了极大的困难，使得一些传统的目标检测算法在某些背景下难以取得良好的检测结果。同时，由于小目标的像素点较小，难以得到足够的样本，使得一些传统的特征降维方法难以得到有效的应用。
围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。遥感技术以其低成本、快速、准确、大范围对地观测能力被引入到海域使用情况调查中，成为海域调查的有力手段。然而，海岸带大气条件多变，海岸带地物覆盖复杂多变，制约了遥感影像在围填海变化检测中的应用。
提取有效的分类特征是机器学习领域的热点问题。深度学习通过组合低层特征形成更加抽象的高层类别属性或特征，以挖掘数据的分布式特征表示；深度神经网络的多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。以层次化、逐层初始化为代表的一系列方法比如深度神经网络(DNN)、堆栈自编码网络(SAE)和深度信念网络(DBN)的提出使对深层模型的有效训练成为可能并在语音和图像处理等领域获得了成功。常见的
图像分类是高光谱遥感信息提取领域一个非常活跃的研究方向，获得高精度分类结果的关键是要解决数据的高维度和有限的训练样本等问题。在处理上述问题时，一种有效的方式是采用子空间方法来降低数据的维度，从而能够更好地挖掘和使用有限的训练样本。这类方法中一个典型的例子就是基于子空间投影的多元逻辑回归算法(MLRsub)。这种方法能够很好地重塑混合像元的特征，在高光谱图像分析中有着十分重要的研究意义。