利用概率主题模型的遥感影像半监督分类

土地覆盖是自然环境与人类活动相互作用的中心,而土地覆盖信息主要是通过遥感影像分类来获取,因此影像分类是遥感影像分析的最基本问题之一。在参考基于概率主题模型的高分辨率遥感影像聚类分析的基础上,通过半监督学习最典型的生成模型方法引出了基于概率主题模型的半监督分类（SS-LDA）算法。借鉴SS-LDA模型在文本识别应用的流程,构建了基于SS-LDA算法的高分辨率遥感影像分类的基本流程。通过实验证明,相对于传统的非监督分类与监督分类算法,SS-LDA算法能够获取较高精度的影像分类结果。     

基于SIFT和非参贝叶斯的高分辨率遥感影像地物识别算法

地物识别是遥感图像处理领域中的一个重要问题。随着遥感技术的发展,高分辨率遥感影像中携带有大量相似的具有尺度不变特征的地物,传统的地物识别方法难以适应这一发展,亟需对其进行改进。针对高分遥感影像,在SIFT(Scale-invariant Feature Transform )算法的基础上进行改进并得出一种快速精准的地物识别算法DBSIFT(Double Backward SIFT),实现了相似地物多对一的模式识别。DBSIFT在原算法的基础上构造了二重差金字塔,利用DP(Dirichlet Process)识别出相似地物并对其进行分割。在几何与算数关系上,选取9个指标对分割精度进行评价。实验中,使用该方法得到的地物能够被准确识别,且分割效果良好,说明了该算法的有效性。     

结合空间像素模板和多类AdaBoost的高分影像分类

高分辨率遥感影像分类是遥感图像理解的基本问题之一,也是许多其他遥感应用的前提。为解决目前基于像素分类方法空间关系描述不足的问题,该文利用空间像素模板构建像素间的空间关系,并结合多类AdaBoost算法实现高分辨率遥感影像的分类。首先利用过滤式特征选择方法自动生成空间像素模板,进而构建考虑空间关系的多维特征向量,最后利用基于指数损失函数的多类AdaBoost方法对多维特征进行分类。对不同场景影像开展实验,结果表明,该文方法利用空间像素模板引入空间信息,可有效实现高分辨率遥感影像分类。与其他方法相比,分类精度显著提高(约20%),能够更好地区分光谱相似地物,同时分类结果"椒盐效应"大大降低,具有良好的空间一致性。     

基于信息熵的加权块稀疏子空间聚类算法

稀疏子空间聚类（Sparse subspace clustering, SSC）算法在处理高光谱遥感影像时,地物的划分精度较低,为了提高地物划分精度,本文提出了一种基于信息熵的加权块稀疏子空间聚类算法（Weighted block sparse subspace clustering algorithm based on information entropy, EBSSC）。信息熵权重与块对角约束的引入,可以在仿真实验前获得两像素属于同一类别的先验概率,从而正向干预模型求解出的解趋于块对角结构的最优近似解,使模型获得对抗噪声和异常值的性能,从而提高模型分类的判别能力,以获得更好的地物划分精度。在3个经典高光谱遥感数据集上的实验结果表明,本文算法聚类高光谱影像的效果优于现有的几个经典流行的子空间聚类算法。     

统计流形扩散核的文本分类方法

提出Dirichlet混合多项式(DCM)流形,并利用DCM流形可与正半球流形建立同胚和等距关系的性质,通过拉回映射将正半球流形的测地距离映射为DCM流形的测地距离,从而在DCM流形上建立距离度量,构建统计流形上的Dirichlet混合多项式扩散核和Dirichlet混合多项式倒排文档频率(DCMIDF)扩散核。利用WebKBTop4和20Newsgroups语料库上进行实验,DCM流形能比欧氏空间更能准确地描述文本。与多项式核支持向量机算法、,负测地距离核支持向量机算法相比,实验结果显示文中基于DCM扩散核和DCMIDF扩散核的支持向量机算法可取得良好的文本分类效果。     

基于分层分析的ASTER 影像土地利用/ 覆盖遥感监测研究

以龙海市为实验区, 利用ASTER 遥感数据, 在研究区典型地物光谱特征系统分析的基础上,进行基于分层分类思想的地物分类提取方法研究。首先将影像划分为独立的子区( 水体、植被覆盖区和非植被覆盖区域) 以避免分类过程中光谱的互相影响; 然后在每个独立的子区基础上根据各类地物的不同光谱特征和空间特征, 对各类地物进行逐层掩模、分层提取。结果表明该方法优于传统的监督和非监督分类效果。     

基于gis和idl的遥感图像分类研究

伴随着"数字地球"概念的提出,遥感影像在民用场合的使用越来越多,其中包括空气质量预防,土地资源调查,灾害检测、天气预报.由于在不同环境下需要的遥感影像的要求不同,所以影像分类就显得特别重要,经过多年的努力,形成了许多经典的分类方法和算法,本文基于idl和gis在c#2015下进行二次开发实现了在win form下的栅格影像的读取和遥感影像的常用的一些监督和非监督分类,为遥感影像分类研究作出了参考     

深度学习对不同分辨率影像冬小麦识别的适用性研究

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力,解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响,有待研究。利用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)——金字塔场景分析网络(Pyramid Scene Parsing Network,PSPNet)进行4种分辨率(8、3.2、2和0.8 m)的米级、亚米级影像冬小麦分类。实验结果表明:PSPNet能够有效地进行大样本的学习训练,非监督提取出空间特征信息,实现"端—端"的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系,随着影像分辨率的逐步增高,地物表达特征越来越清晰,PSPNet识别的冬小麦精度会逐步增高,识别地块结果也越来越规整,不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。     

基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究

开展了时间序列Landsat TM/ETM遥感影像定量化处理与相对辐射校正,提取了陕西神木县不同地物光谱和NDVI物候特征,结合时间序列NDVI物候特征和多时相光谱信息,采用了地表覆盖的决策树分类算法,实现了陕西神木县地物的高精度遥感分类,包括水体、沙地、城镇、耕地、林地、草地及灌丛等7类地物,分类总体精度达95.77%,Kappa系数达0.93。研究结果表明,基于多时相光谱和物候特征的决策树分类算法能够有效集成多时相、多光谱信息,从而克服了单时相影像分类的缺陷,实现了地物的分类。论文研究方法和结果能够为三北防护林区域的生态环境监测与评估提供技术支持。     

分层Dirichlet过程原理及应用综述

Dirichlet过程是一种应用于非参数贝叶斯模型中的随机过程。通过其良好的聚类性质,基于此的模型可以通过简单的Gibbs采样决定参数的个数,从而为模型选择提供方便。近年来,在理论和应用上均得到了迅速的发展,引起越来越多的关注。分层Dirichlet过程是LDA模型的非参数模型推广,可以用来构建无穷个基本组元的混合模型。HDP被广泛地应用在概率话题模型的领域。首先说明Dirichlet过程的原理和采样方法,然后将其推广到分层Dirichlet过程中,并重点介绍基于Dirichlet过程的混合模型,最后对分层Dirichlet过程的应用进行了介绍。     

分层Dirichlet过程及其应用综述

Dirichlet过程是一种应用于非参数贝叶斯模型中的随机过程, 特别是作为先验分布应用在概率图模型中. 与传统的参数模型相比, Dirichlet过程的应用更加广泛且模型更加灵活, 特别是应用于聚类问题时, 该过程能够自动确定聚类数目和生成聚类中心的分布参数. 因此, 近年来, 在理论和应用上均得到了迅速的发展, 引起越来越多的关注. 本文首先介绍Dirichlet过程, 而后描述了以Dirichlet过程为先验分布的Dirichlet过程混合模型及其应用, 接着概述分层Dirichlet过程及其在相关算法构造中的应用, 最后对分层Dirichlet过程的理论和应用进行了总结, 并对未来的发展方向作了探讨.     

Alternative prior assumptions for improving the performance of naïve Bayesian classifiers

The prior distribution of an attribute in a naïve Bayesian classifier is typically assumed to be a Dirichlet distribution, and this is called the Dirichlet assumption. The variables in a Dirichlet random vector can never be positively correlated and must have the same confidence level as measured by normalized variance. Both the generalized Dirichlet and the Liouville distributions include the Dirichlet distribution as a special case. These two multivariate distributions, also defined on the unit simplex, are employed to investigate the impact of the Dirichlet assumption in naïve Bayesian classifiers. We propose methods to construct appropriate generalized Dirichlet and Liouville priors for naïve Bayesian classifiers. Our experimental results on 18 data sets reveal that the generalized Dirichlet distribution has the best performance among the three distribution families. Not only is the Dirichlet assumption inappropriate, but also forcing the variables in a prior to be all positively correlated can deteriorate the performance of the naïve Bayesian classifier.     

一种基于类主题空间的图像场景分类方法

本文在扩展LDA（latent dirichlet allocation）的基础上提出了一种新的生成模型——基于类主题空间的潜在狄里克雷分布（CTS-LDA)用来实现自然图像场景分类。该方法不同于以往方法,它在训练时通过将图像场景类别信息引入模型推导过程中,产生各场景类的独立语义主题空间,使得每个场景类都有各自不同的主题空间,图像的最终语义表示采用与其类别相关的类主题集,是一种符合人类认知习惯的方法。以前所用的场景分类方法通常在得到图像主题表示后还需要依赖于其他分类器来完成场景分类,而CTS-LDA模型可以在分别计算图像在各类模型中的主题分布时,用最大似然法得出图像的类别信息。此外本文通过分析不同主题数对本模型性能的影响,得出了适用于本模型的最佳主题数。本文分别通过13,15等多类场景任务来检验模型的性能,实验证明该模型能够在不需要太多训练的情况下取得较好的性能。     

Describing Visual Scenes Using Transformed Objects and Parts

We develop hierarchical, probabilistic models for objects, the parts composing them, and the visual scenes surrounding them. Our approach couples topic models originally developed for text analysis with spatial transformations, and thus consistently accounts for geometric constraints. By building integrated scene models, we may discover contextual relationships, and better exploit partially labeled training images. We first consider images of isolated objects, and show that sharing parts among object categories improves detection accuracy when learning from few examples. Turning to multiple object scenes, we propose nonparametric models which use Dirichlet processes to automatically learn the number of parts underlying each object category, and objects composing each scene. The resulting transformed Dirichlet process (TDP) leads to Monte Carlo algorithms which simultaneously segment and recognize objects in street and office scenes.     

基于词相似性与CRP的主题模型

主题模型能提取隐含在文档中的主题,使文档可按主题进行归约、分类和检索,成为信息分类和检索领域的研究热点。针对LDA(Latent Dirichlet Allocation)主题模型不能自动确定主题数目的问题,提出一种结合词相似性与CRP(Chinese Restaurant Process )的隐主题模型,可自适应地动态更新主题内容,确定合理的主题数目。同时提出一种在动态更新主题数时超参数设置方法。在中医临床诊疗数据的实验中,获得领域专家解释性较好的分析结果。     

朴素并行LDA

并行潜在狄利克雷分配(LDA)主题模型在计算与通信两方面的时间消耗较大,导致训练模型的时间过长,因而无法被广泛应用.提出朴素并行LDA算法,针对计算和通信分别提出改进方法.一方面通过加入单词影响因子以及设置阈值的方法来降低文本训练的粒度,另一方面通过降低通信频率来减少通信时间.实验结果表明,优化后的并行LDA在保证精度损失为1％的前提下,将训练速度提高了36％,有效提高了并行的加速比.     

面向产品属性的用户情感模型

传统情感模型在分析商品评论中的用户情感时面临两个主要问题:1)缺乏针对产品属性的细粒度情感分析;2)自动提取的产品属性其数量须提前确定。针对上述问题,提出了一种细粒度的面向产品属性的用户情感模型(USM)。首先,利用分层狄利克雷过程(HDP)将名词实体聚类形成产品属性并自动获取其数量;然后,结合产品属性中名词实体的权重和评价短语以及情感词典作为先验,利用潜在狄利克雷分布(LDA)对产品属性进行情感分类。实验结果表明,该模型具有较高的情感分类准确率,情感分类平均准确率达87%。该模型与传统的情感模型相比在抽取产品属性和评价短语的情感分类上具有较高的准确率。     

基于Dirichlet分布语言建模的信息检索技术研究

基于多项式的一元语言模型不能表示文档中的突发（Burstiness）现象,而基于Diriehlet分布的语言模型能够较好地处理突发现象。本文分析和讨论了几种基于Dirichlet分布的语言模型,并以ECM模型为基础,分别对文档和查询项进行语言建模,然后采用KL-divergence方法来度量文档模型和查询项模型的相似度。在TREC数据集上的实验表明,,与基本的模型相比较,采用EGM模型能够提高信息检索的平均精确度。