重庆大学 光电技术及系统教育部重点实验室，重庆 400044
提出了一种半监督稀疏多流形嵌入方法，并应用于高光谱影像分类.该方法充分利用少量标记和大量无标记样本，采用稀疏表示方法得到样本的稀疏系数，并选取来自同一流形的点作为近邻点，然后构建相似图来表征多流形结构，得到样本在每个流形上低维鉴别特征，增加来自同一流形的数据点聚集性，进而提升分类性能.本文方法在PaviaU和Salinas两个高光谱数据集上的总体分类准确度分别达到84.91%和89.74%，相较于其他方法明显提高了地物分类性能.
高光谱影像分类 维数约简 多流形 稀疏表示 半监督学习 Hyperspectral image classification Dimensionality reduction Multiple manifolds Sparse representation Semi-supervised learning
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
稀疏流形聚类和嵌入算法通过仿射空间中的稀疏表示获得稀疏系数, 并能由稀疏系数自适应地选取来自同一流形的数据点.但稀疏流形聚类和嵌入算法没有直接的投影矩阵, 且为非监督学习方法.针对稀疏流形聚类和嵌入算法算法的不足, 提出一种新的监督稀疏流形嵌入算法.该方法首先在仿射空间中采用稀疏优化法得到稀疏系数, 然后根据稀疏系数构建相似权值, 并在权值中嵌入样本类别信息, 增加同类数据间的聚集性, 并在低维嵌入空间中保持这种相似性不变, 提取鉴别特征来提升分类性能.实验结果表明: 该文方法不仅能保持数据的稀疏特性, 而且通过利用样本数据的类别信息使同类数据在低维空间尽可能聚集, 提取鉴别特征, 进而改善高光谱影像的地物分类效果.
高光谱影像 地物分类 维数约简 图嵌入 稀疏流形学习 Hyperspectral image Land cover classfication Dimensionality reduction Graph embedding Sparse manifold learning 光子学报
2015, 44(12): 1228001
