基于非负稀疏图的高光谱数据降维

为减少因大量的光谱信息带来的计算复杂及数据冗余带来的高光谱数据分类性能降低,该文提出一种非负稀疏图降维算法.首先,构建超完备块字典对高维高光谱数据进行非负稀疏表示.然后,根据块非负稀疏表示,分别构建内部非负稀疏图和惩罚非负稀疏图,基于单调递减函数定义边的权重以体现样本间的相似程度.最后,通过同时最大化异类和最小化同类非负稀疏重构样本间的距离,得到从高维到低维的最优映射关系,从而实现对高维高光谱数据的降维.AVIRIS 92AV3C高光谱数据上的实验结果表明,所提算法能以较少的训练样本获得较高的整体分类精度和Kappa系数.     

面向高光谱图像分类的半监督Laplace鉴别嵌入

为有效提取出高光谱遥感图像数据的鉴别特征,该文阐述一种融合标记样本中鉴别信息和无标记样本中局部结构信息的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本集的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本集中局部流形结构,实现半监督的流形鉴别。在KSC 和Urban数据集上的实验结果说明:该算法具有更高的分类精度,可以有效地提取出鉴别特征信息。在总体分类精度上,该算法比半监督最大边界准则(SSMMC)算法提升了6.3%~7.4%,比半监督流形保持嵌入(SSSMPE)算法提升了1.6%~4.4%。     

遥感影像的半监督判别局部排列降维

针对遥感影像数据具有的高维数和少量已标记样本的特性,提出一种基于图的半监督判别局部排列降维方法.首先,针对全部已标记和未标记样本数据构造相似图和惩罚图.然后,基于同类近邻点的分散度最小且不同类近邻点的分散度最大的原则,分别确立相似图和惩罚图上的优化目标.最后,通过同时优化这两种图上的目标函数,得到从高维到低维的最优映射关系,从而达到对高维遥感影像数据维数约简的目的.ROSIS高光谱数据上的实验结果表明,所提算法能够有效提高高维遥感影像的总体精度和Kappa系数.     

遥感影像的半监督判别局部排列降维简

 针对遥感影像数据具有的高维数和少量已标记样本的特性,提出一种基于图的半监督判别局部排列降维方法.首先,针对全部已标记和未标记样本数据构造相似图和惩罚图.然后,基于同类近邻点的分散度最小且不同类近邻点的分散度最大的原则,分别确立相似图和惩罚图上的优化目标.最后,通过同时优化这两种图上的目标函数,得到从高维到低维的最优映射关系,从而达到对高维遥感影像数据维数约简的目的.ROSIS高光谱数据上的实验结果表明,所提算法能够有效提高高维遥感影像的总体精度和Kappa系数.     

基于SSMFA与kNNS算法的高光谱遥感影像分类

 为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于半监督边际费希尔分析(SSMFA)和kNNS的高光谱遥感影像数据分类算法.该方法利用有标记数据和无标记数据的信息获得数据的内在流形结构,通过SSMFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类.在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个有类别标记的样本10个无类别标记的样本的情况下,该方法的总体分类精度能够比MFA+kNNS提高0.8%~2.5%,比MFA+kNN提高2.8%~4.5%,比其他算法提高4.0%~7.0%,分类精度有了明显的提高.     

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法（S4LFDA）。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法（FDA）的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.     

基于无监督特征选择的高光谱图像分类方法

在高光谱图像分类中,丰富的数据提升了其地物 识别能力。然而,由于样本特 征数大且有标记训练样本点少,导致“维度灾难”问题。本文提出一种基于无监督特征选择 的高光谱图像分类方 法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优 化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函 数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归 到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问 题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用 于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高 分类的精度。     

基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建

室内定位中半监督学习的指纹库构建方法能够降低人力开销,但忽略了高维接收信号强度(RSS)数据不均匀的非齐分布特点,影响定位精度,针对此问题该文提出一种基于RSS非齐性分布特征的半监督流形对齐指纹库构建方法。该算法运用局部RSS尺度参数以及共享近邻相似性构造权重矩阵,得到精确反映RSS数据流形结构的权重图,利用该权重图通过求解流形对齐的目标函数最优解,实现运用少量标记数据对大量未标记数据的位置标定。实验结果表明,该算法可以显著降低离线阶段数据采集的工作量,同时可以取得较高的定位精度。     

基于生成对抗网络的高光谱图像特征提取

特征提取是高光谱数据处理领域的一个重要研究 内容。高光谱数据获取过程中的复 杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的 有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中 标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无 监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器 的特征表示能力,在目标函数中引入梯度惩罚项,将判别器的性能不断逼向最优。在特征提 取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度 的同时尽可能保留高光谱图像的光谱信息。使用支持向量机(support vector machines,SVM)和k近邻(k-hearest neighbor,KNN)方法对 提取到的特征进行分类测试。在两个真实数据集上的实验结果表明,提出的方法优于传统的 特征提取方法。     

基于矩阵分解的高光谱数据特征提取

利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.     

基于语义特征传播图神经网络的小样本图像分类算法

使用少量样本进行学习和概括的能力是人工智能和人类之间主要的区别。在小样本学习领域,大多数图神经网络专注于将标记的样本信息传递给未标记的查询样本,而忽略了语义特征在分类过程中的重要作用。为此构建了语义特征传播图神经网络,首先将语义特征嵌入到图神经网络中,解决了细粒度图像特征相似性带来的分类准确率低的问题,然后将注意力机制与骨干网络合并达到强化前景并提高特征提取质量的目的,利用马氏距离计算类的相似度得到更好的分类性能,最后使用Funnel ReLU函数作为激活函数进一步提高分类准确率。在基准数据集上实验表明,所提算法相比于基线算法在5类1/2/5样本任务上的准确率分别提高了903%、456%和415%。     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

Sparse matrix transform-based linear discriminant analysis for hyperspectral image classification

Due to the high dimensionality of hyperspectral image (HSI), dimension reduction or feature extraction is usually needed before the HSI classification. Traditional linear discriminant analysis (LDA) method for feature extraction usually encounters difficulty because the available training samples in HSI classification are limited, which causes the singularity of data scatter matrix. In this paper, we propose a sparse matrix transform-based LDA (SMT-LDA) algorithm for the HSI classification. By using SMT, the total scatter matrix used in LDA can be constrained to have an eigen-decomposition where the eigenvectors can be sparsely parametrized by a limited number of Givens rotations. In this way, the estimated scatter matrix is always positive definite and well conditioned even in the case of limited training samples. The proposed SMT-LDA method is compared with regularized LDA and PCA-LDA methods on two benchmark hyperspectral data sets. Experimental results indicate that the performance of the proposed method is overall superior to these methods, especially for small-sample-size classification.     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

应用监督近邻重构分析的高光谱遥感数据特征提取

针对高光谱遥感数据特征提取方法的研究,提出了一种新的监督近邻重构分析（Supervised Neighbor Reconstruction Analysis,SNRA）算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构;然后在低维嵌入空间中保持该重构关系不变,尽可能地分离开非同类数据点,并利用总体散度矩阵来约束数据间的相关性;最后求解得到一个最佳投影矩阵,进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性,同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明:提出的方法能更好地揭示出高光谱遥感数据的内在特性,提取出更有效的鉴别特征,改善分类效果。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选...