修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

16 条数据
?? 中文（中国） ▾

  • 基于超像素的半监督主动学习在高光谱图像分类中的应用

    摘要： 在这项工作中，我们提出了一种新的高光谱图像分类半监督主动学习方法。该方法通过半监督学习自动主动选择既可靠又具有信息量的伪标注样本，旨在利用这些样本提升机器泛化能力。该学习过程基于两个假设：局部假设采用基于超像素的空间同质性约束来规范伪标注的适应性；全局假设则通过带马尔可夫随机场正则化的多项式逻辑回归模型来描述数据密度分布。此外，针对超像素邻域内无人工标注样本无法被自动采样的问题，我们提出基于密度峰值的伪标注增强策略。实验采用三个真实高光谱数据集评估所提基于超像素的半监督学习方法的有效性，结果表明该方法能显著提升高光谱图像分类中半监督学习的潜力。

    关键词： 半监督学习、高光谱图像分类、超像素、聚类、主动学习

    更新于2025-09-23 15:23:52

  • 基于图的高光谱图像分类半监督学习方法综述

    摘要： 本文对高光谱图像（HSI）分类的最新图学习方法进行了全面综述，包括基于光谱信息的图半监督分类和基于光谱-空间信息的图半监督分类。此外，相关技术被归类为以下子类型：(1) 基于流形表示的高光谱图像分类图半监督学习；(2) 基于稀疏表示的高光谱图像分类图半监督学习。针对每种技术，讨论了方法论、训练与测试样本、各类技术难点及性能表现，并指出了图模型带来的未来研究挑战。

    关键词： 图像分类、高光谱图像、半监督学习、基于图的学习

    更新于2025-09-23 15:23:52

  • [IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 从物体识别中学习光照估计

    摘要： 本文提出了一种基于深度学习的图像光源估计方法。我们的模型并非通过光源标注进行训练，而是以提升辅助任务（如物体识别）性能为目标。据我们所知，这是首个无需真实光源标注即可训练的深度学习光源估计架构。我们在标准色彩恒常性数据集上评估该方案，并与现有最优方法进行对比。结果表明，在跨数据集评估中，本方案优于大多数深度学习方法；在与参数化解决方案的比较中也展现出具有竞争力的效果。

    关键词： 光源估计、深度学习、卷积神经网络、计算色彩恒常性、半监督学习

    更新于2025-09-23 15:22:29

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于全卷积半监督生成对抗网络的极化SAR分类

    摘要： 我们提出了一种用于极化合成孔径雷达（PolSAR）地形分类的新型半监督全卷积网络。首先，通过设计全卷积结构，我们可以执行基于像素的分类任务。然后，通过应用半监督生成对抗网络（GAN），我们利用标记和未标记样本，旨在获得更高的分类精度。通过极小极大化的双人博弈，GAN比其他"单玩家"分类器具有更优性能。最后，我们将全卷积结构与半监督GAN相结合。我们的全卷积半监督GAN（FC-SGAN）具有出色的空间特征学习能力，能够执行端到端的基于像素的分类任务。实验结果表明，与现有方法相比，所提方法具有更优性能。即使训练集规模缩小，我们的方法仍能保持高精度。

    关键词： 地形分类、全卷积网络、生成对抗网络、半监督学习

    更新于2025-09-23 15:21:21

  • [IEEE 2018国际小波分析与模式识别会议（ICWAPR）- 中国成都（2018年7月15日-2018年7月18日）] 2018国际小波分析与模式识别会议（ICWAPR）- 用于半监督高光谱图像分类的谱空间图卷积网络

    摘要： 对于高光谱图像（HSI）分类任务而言，采集标签样本成本高昂且耗时。结合标记与未标记样本内在信息的半监督学习框架，既能缓解标签样本不足的问题，又能提升HSI分类精度。本文提出一种基于图卷积网络（SGCN）的多光谱-空间图半监督学习新框架，在图的滤波操作中同步考虑HSI的空间信息与光谱特征。在博茨瓦纳Hyperion、肯尼迪航天中心和印度松三组真实HSI数据集上的实验表明，所提SGCN能显著提高分类精度——例如印度松数据的总体精度从78%提升至93%。

    关键词： 高光谱图像分类、图傅里叶变换、图卷积、神经网络、半监督学习

    更新于2025-09-23 15:21:01

  • [IEEE 2018年第24届国际模式识别会议（ICPR） - 中国北京（2018年8月20日-2018年8月24日）] 2018年第24届国际模式识别会议（ICPR） - 基于标签传播的半监督卷积神经网络用于图像分类

    摘要： 过去几年中，深度学习在人脸验证、物体分类等众多视觉任务中取得了优异表现。然而实际应用中有限的标注训练样本仍是制约性能提升的瓶颈。本文将未标注训练数据的类别估计与深度学习模型相结合，构建了同时利用标注数据与未标注数据进行训练的新型半监督卷积神经网络（SSCNN）。该框架通过联合学习深度卷积特征提取与未标注数据类别估计：首先基于具有可信类别估计的标注及未标注数据学习深度卷积特征，继而采用标签传播算法估计未标注样本身份。随着CNN特征判别性不断增强，SSCNN的交替优化过程使未标注数据的类别估计持续精确化。我们在MNIST和Cifar-10数据库上将所提方法与典型半监督学习算法进行对比，地标数据库上的大量实验验证了该半监督深度学习框架的有效性。

    关键词： 卷积神经网络，半监督学习，标签传播

    更新于2025-09-23 15:21:01

  • [第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 印度班加罗尔(2018年5月18-19日)] 2018年第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 基于GSM/GPS的太阳能光伏智能垃圾监测系统

    摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅少量目标样本带有标签。目标是借助源域信息学习预测模型，使其在目标测试样本上具有良好的泛化能力。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够普适性，可适配多种损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较现有最优技术具有竞争优势。

    关键词： 迁移学习、半监督学习、领域自适应

    更新于2025-09-23 15:19:57

  • [IEEE 2019年第25届集成电路与系统热分析国际研讨会(THERMINIC) - 意大利莱科(2019.9.25-2019.9.27)] 2019年第25届集成电路与系统热分析国际研讨会(THERMINIC) - 大功率AlInGaN LED阵列热机械变形引起的温度分布建模

    摘要： 当标注数据量有限时，半监督学习通过利用通常容易获取的未标注数据能提升学习器性能。特别是，一种流行方法要求所学函数在底层数据流形上保持平滑性。通过将该流形近似为加权图，这类基于图的技术常能取得最先进的性能。然而其高时空复杂度使其在大型数据集上吸引力下降。本文提出利用从数据中提取的一组稀疏原型来扩展基于图的半监督学习规模。这些原型作为少量数据代表，可用于近似图正则化项并控制模型复杂度，从而使训练和测试效率大幅提升。此外，当采用高斯核定义图相似度时，可获得选择原型的简明原理性方法。多项真实数据集实验表明，该方案具有优异的性能表现和扩展特性，在相同模型稀疏度水平下也优于通过l1正则化学习的模型。这些结果证明了本方法能有效构建兼具高度简洁性与准确性的半监督学习模型。

    关键词： 半监督学习、低秩近似、基于图的方法、大数据集、流形正则化

    更新于2025-09-19 17:13:59

  • [IEEE 2019年第六届空间技术最新进展国际会议（RAST） - 土耳其伊斯坦布尔（2019.6.11-2019.6.14）] 2019年第九届空间技术最新进展国际会议（RAST） - 高分辨率电光卫星辐射分析

    摘要： 当标注数据量有限时，半监督学习通过利用通常容易获取的未标注数据能提升学习器性能。特别是，一种流行方法要求所学函数在底层数据流形上保持平滑性。通过将该流形近似为加权图，此类基于图的技术常能达到最先进性能。然而其高时空复杂度使其在大规模数据集上吸引力下降。本文提出利用从数据中提取的一组稀疏原型来扩展基于图的半监督学习，这些原型作为少量数据代表，可用于近似基于图的规则化项并控制模型复杂度，从而使训练和测试效率大幅提升。此外，当采用高斯核定义图相似度时，可获得选择原型的简明原理性方法。在多个真实数据集上的实验表明，该方法具有优异的性能表现和可扩展性，在相同模型稀疏度水平下也优于通过L1正则化学习的模型。这些结果证明了所提方法在生成高度简约且精确的半监督学习模型方面的有效性。

    关键词： 大数据集、半监督学习、基于图的方法、流形正则化、低秩近似

    更新于2025-09-19 17:13:59

  • [2019年IEEE国际空间光学系统与应用会议(ICSOS) - 美国俄勒冈州波特兰市 (2019.10.14-2019.10.16)] 2019年IEEE国际空间光学系统与应用会议(ICSOS) - 基于反馈零差检测与分数符号测距的星间集成激光通信/测距链路

    摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅有少量目标样本带有标签。目标是借助源域信息学习预测模型，使其能在目标测试样本上良好泛化。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够通用性，适用于各类损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较前沿技术具有竞争优势。

    关键词： 迁移学习、半监督学习、领域自适应

    更新于2025-09-19 17:13:59