排序方式： 共有22条查询结果，搜索用时 0 毫秒
1.
2.
面向高光谱图像分类的半监督空谱判别分析 总被引：2，自引：2，他引：0
为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。 相似文献
3.
4.
5.
半监督离散势理论在遥感影像变化检测中的应用 总被引：1，自引：0，他引：1
随着遥感技术的发展，遥感影像变化检测作为一种有效的技术手段，在环境监测、灾害救援等领域发挥了重要作用。然而地物复杂、标记困难等问题导致有效的变化检测存在一定的困难。本文提出了一种基于半监督离散势理论的遥感影像变化检测方法。该方法首先采用一种新的标记样本点的方法得到训练集，然后利用KNN方法构造复杂网络，最后对复杂网络中经典Wu-Huberman算法进行改进并划分网络。所得到的两个社团结构恰好对应了变化部分和不变部分。试验结果表明，基于半监督离散势理论的变化检测方法具有良好的变化检测性能。 相似文献
6.
针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。 相似文献
7.
主动学习与图的半监督相结合的高光谱影像分类 总被引：2，自引：2，他引：0
针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。 相似文献
8.
高分辨率遥感影像语义分割的半监督全卷积网络法 总被引：1，自引：0，他引：1
在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。 相似文献
9.
基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。 相似文献
10.
为解决无监督入侵检测算法检测率低,有监督的入侵检测不能有效的检测未知攻击的问题,提出了一种粒子群优化的半监督入侵检测算法,算法对少量的约束信息进行基于密度的扩展获得潜在约束得到聚类模型,以此指导未标记数据聚类,对仍没有确定类别的未标示数据使用粒子群优化的K均值算法进行聚类实现对异常的检测。改进的算法检测率达到83.7%,误报率减少至3.13%,总体效果优于无监督和有监督学习的入侵检测算法。 相似文献