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

25 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

  • 基于多重深度置信网络的高光谱图像光谱-空间分类

    摘要： 近期有研究提出基于深度学习的特征提取方法用于高光谱图像（HSI）分类。作为深度学习组成部分的深度置信网络（DBN），已被应用于高光谱图像分类以实现深度抽象特征提取。然而DBN需同时处理高光谱立方体中数百个特征，这导致计算复杂度增加，并在训练数据有限时造成特征抽象能力受限及性能下降。此外，基于降维的解决方案会导致宝贵光谱信息丢失，从而影响分类效果。 为解决该问题，本文提出面向光谱-空间高光谱图像分类的光谱自适应分段深度置信网络（SAS-DBN）。该方法通过将原始光谱波段分割为若干相关波段小组，并采用局部DBN分别处理各组数据来挖掘深层抽象特征。同时通过先对高光谱图像进行超分割来融入空间特征。这种方案在降低复杂度的同时提升了数据抽象能力，显著改善了高光谱图像分类性能。将DBN特征提取局部应用于各波段组，既降低了计算复杂度又实现了更优的特征提取，从而提高分类精度。 总体而言，通过分段DBN过程有效利用光谱特征、结合超分割获取空间特征并将二者融合用于高光谱图像分类，对分类性能具有重要提升作用。在具有不同背景和分辨率的经典高光谱标准数据集上的实验评估验证了本方法的有效性，其分类结果与多种最新高光谱分类技术相当。

    关键词： 高光谱图像分类、支持向量机、深度信念网络、分割

    更新于2025-09-23 15:23:52

  • 学习用于半监督高光谱图像分类的双重几何低秩结构

    摘要： 大多数现有的基于图的半监督高光谱图像分类方法采用聚类假设来构建拉普拉斯正则化器。然而，由于混合像素（其记录的光谱是多种物质的组合）的存在，这些方法有时会失效。本文提出一种几何低秩拉普拉斯正则化的半监督分类器，通过同时挖掘高光谱数据的全局光谱几何结构与局部空间几何结构。我们开发了一种基于新型几何正则化拉普拉斯低秩表示（GLapLRR）的图模型来评估混合像素的光谱-空间亲和性。通过GLapLRR揭示图像的全局低秩特性和局部空间结构，所构建的图具有空间-光谱几何描述性、鲁棒性和低稀疏性特征，从而能实现更准确的混合像素分类。在三个真实高光谱数据集上的实验表明：当仅有少量标记样本时，本方法优于同类算法。

    关键词： 双几何低秩结构、混合像素、光谱-空间亲和性、高光谱图像分类（HIC）、支持向量机、半监督

    更新于2025-09-23 15:23:52

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 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 - 地面真实数据对高光谱图像分类中精度指标的影响

    摘要： 本文研究了真实标签对高光谱图像分类性能评估的影响。旨在探究当真实标签不足时，总体精度（OA）、平均精度（AA）和Kappa系数这三种代表性指标的准确性是否完全可靠。本研究的主要贡献是通过设计多组实验，从主客观角度分析真实标签对性能评估的影响。此外，采用皮尔逊线性相关系数（PLCC）、均方根误差（RMSE）、斯皮尔曼等级相关系数（SRCC）和肯德尔等级相关系数（KRCC）四项评估指标，测量不同分类方法对含不同数量标记像素的真实标签及标签在图像中位置的鲁棒性?；谒杓频氖笛榈贸鼋崧郏赫媸当昵┎蛔憧赡苡跋煜钟芯戎副甑男阅鼙硐帧Ｕ獗砻鞯闭媸当昵┌倭勘昙窍袼厥?，可能存在过于乐观的性能评估。

    关键词： 精度指标、高光谱图像分类、性能评估

    更新于2025-09-23 15:22:29

  • 高光谱图像分类中用于领域自适应的判别性迁移联合匹配方法

    摘要： 领域自适应旨在利用旧领域（源域）的标注信息为新的领域（目标域）学习精确分类器，在遥感领域已展现出良好价值但仍具挑战性。本文聚焦于无监督条件下（仅源图像具有标注样本）的土地覆盖分类任务中高光谱遥感影像间的知识迁移问题，提出判别性迁移联合匹配（DTJM）方法：通过在核主成分分析空间最小化经验最大均值差异实现源与目标特征匹配，采用对嵌入矩阵施加l2,1范数进行实例重加权，同时保持不同领域数据的局部流形结构并最大化嵌入与标签间的依赖性。实验将所提方法与若干使用/未使用源数据标注信息的先进特征提取技术进行对比，在两个基准高光谱数据集上的结果表明DTJM方法的有效性。

    关键词： 高光谱图像分类、域适应、判别性迁移联合匹配（DTJM）、流形

    更新于2025-09-23 15:22:29

  • 基于判别性分布与流形嵌入的高光谱图像分类域自适应方法

    摘要： 近年来，随着遥感技术的发展，高光谱遥感图像分类受到了广泛关注。要构建高可信度的分类器，大量标注数据至关重要（例如深度学习技术的成功应用）。然而获取标注数据通常成本高昂，尤其是需要实地勘测的遥感图像。针对这一问题，本文提出一种基于神经网络的高光谱图像分类域适应方法：通过流形嵌入学习与源域判别分布匹配来实现。具体而言，我们利用源图像的判别信息训练适用于源域和目标域的分类器。为使分类器在双域均能有效工作，我们在嵌入空间中最小化两域分布偏移（基于源域先验类分布），同时通过保持样本流形关系避免目标域在嵌入空间的畸变映射。最终基于神经网络同步最小化三项准则来学习源域与目标域的嵌入表示。在两幅高光谱遥感图像上的实验表明，本方法优于多种基线方法。

    关键词： 神经网络、高光谱图像分类、最大均值差异（MMD）、遥感、领域自适应、流形嵌入

    更新于2025-09-23 15:22:29

  • [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

  • 基于KNN的超像素表示方法在高光谱图像分类中的应用

    摘要： 超像素分割已被证明是高光谱图像（HSI）分类中的有力工具。每个超像素区域可视为由一系列空间相邻像素组成的同质区域。然而，一个超像素区域可能包含来自不同类别的像素。为进一步探索超像素的最优表征，本文提出一种基于双k值选择规则的新框架，用于寻找最具代表性的训练与测试样本。该方法包含以下四个步骤：首先对高光谱图像执行超像素分割算法，将具有相似光谱特征的像素聚类至同一超像素；随后采用域变换递归滤波提取高光谱图像的光谱-空间特征；接着利用k近邻（KNN）方法为每个超像素选取k1个代表性训练样本和k2个测试像素，分别有效克服类内变异与类间干扰；最后通过测量所选训练样本与测试样本间的平均距离确定超像素类别标签。在四个真实高光谱数据集上的实验表明，相较于近期提出的多种光谱-空间分类方法，本方法具有具有竞争力的分类性能。

    关键词： 超像素分割、高光谱图像分类、k近邻算法（KNN）、域变换递归滤波（RF）

    更新于2025-09-23 15:21:01

  • 基于改进旋转森林算法的高光谱图像分类

    摘要： 高光谱图像分类是遥感领域的研究热点。通过采用有效的分类方法处理图像数据，可实现高精度和强泛化能力。本文提出一种基于改进旋转森林(ROF)的高效高光谱图像分类方法，命名为ROF-KELM。首先利用非负矩阵分解(NMF)进行特征分割以获取更有效的数据；其次选择核极限学习机(KELM)作为基分类器来提升分类效率，该方法继承了KELM的优势并具有可直接实现多类分类的解析解；随后采用Q统计量筛选基分类器；最后通过投票法获得分类结果。通过AVIRIS图像分类、ROSIS图像分类及UCI公共数据集三个仿真实验验证了所提方法的有效性。

    关键词： 极限学习机、旋转森林、高光谱图像分类、Q统计量

    更新于2025-09-23 15:21:01

  • [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年7月22日-2018年7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 极端学习机应用于高光谱图像的不同正则化方法评估

    摘要： 近年来，为解决高光谱图像分类中训练样本有限而光谱维度极高的不适定问题，学界提出了多种正则化技术。然而，尽管岭回归、LASSO等正则化方法已广泛应用，高光谱图像的本征结构往往取决于具体场景和光谱仪特性。本研究未直接对分类器的概率输出施加这些正则化约束，而是评估了采用岭先验和LASSO先验分别正则化单隐层前馈神经网络（SLFN）输出权重的极限学习机（ELM）。通过多组真实高光谱图像实验，对比分析了这两种正则化方法与原始ELM在分类场景中的性能表现及适应性差异。

    关键词： 岭回归、LASSO、正则化、高光谱图像分类、极限学习机

    更新于2025-09-23 15:21:01