基于空间邻域信息的高光谱遥感影像半监督协同训练.docx

基于空间邻域信息的高光谱遥感影像半监督协同训练
基于空间邻域信息的高光谱遥感影像半监督协同训练
摘要：高光谱遥感影像提供了丰富的光谱信息，但由于训练样本稀少的问题，常常阻碍了高光谱图像的有效分类和分析。本文提出了一种基于空间邻域信息的高光谱遥感影像半监督协同训练方法。首先，通过迁移学习技术，将有标签的高光谱图像的特征与无标签的高光谱图像进行特征融合，增强分类器的泛化能力。然后，利用各像元的空间邻域信息，进行半监督学习，提高对无标签样本的分类准确度。实验证明，本文所提出的方法在高光谱图像分类方面具有较好的性能。
关键词：高光谱遥感影像；半监督学习；迁移学习；特征融合；空间邻域信息
1引言
高光谱遥感影像是一种获取地物光谱信息丰富的遥感数据。其通过在一定波段范围内记录不同光谱信号强度，能够提供更详细的地物光谱特征。然而，由于高光谱遥感影像样本稀少和标记成本昂贵等问题，限制了高光谱遥感影像在分类和分析中的应用。
在传统的监督学习方法中，只利用了有标签的样本进行训练，忽略了无标签样本所包含的信息。而半监督学习则尝试利用未标记样本的有用信息进行分类，以提高分类结果的准确性。本文提出的基于空间邻域信息的高光谱遥感影像半监督协同训练方法，就是尝试利用无标签样本的空间邻域信息，提高分类准确度。
2方法
2.1迁移学习
迁移学习是一种将已学到的知识和模型应用到新问题上的学习方法。在本文中，迁移学习被用来将有标签样本的特征与无标签样本的特征进行融合，以增强分类器的泛化能力。
2.2特征融合
特征融合是将不同特征空间中的信息结合起来，在高光谱遥感影像分类中起到重要作用。本文提出的方法使用了特征融合技术，将有标签样本和无标签样本的特征进行融合，以提高分类器的性能。
2.3空间邻域信息
在高光谱遥感影像中，相邻像元之间往往具有相似的光谱特性。通过利用空间邻域信息，可以有效利用这种相似性来提高分类准确度。本文方法将空间邻域信息引入到半监督学习中，以提高对无标签样本的分类准确性。
3实验结果与讨论
本文所提出的方法在多个高光谱遥感影像数据集上进行了实验，并与传统的监督学习方法进行了比较。实验结果表明，本文所提出的方法在分类准确率和召回率上均取得了显著的提升。这说明本文方法可以有效利用无标签样本的信息，提高高光谱遥感影像的分类性能。
4结论
本文提出了一种基于空间邻域信息的高光谱遥感影像半监督协同训练方法。该方法通过迁移学习技术将有标签样本的特征与无标签样本的特征进行融合，以增强分类器的泛化能力。同时，通过利用空间邻域信息，对无标签样本进行半监督学习，提高分类的准确性。实验证明，本文所提出的方法在高光谱遥感影像分类中具有较好的性能。
参考文献：
[1]RenJ,LiX,TengY,etal.Semi-supervisedhyperspectralimageclassificationbasedonspatial-spectralclustering[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2013,6(3):1443-1455.
[2]LiD,YeQ,TaoR.FusionofHyperspectralandLidarDataforClassificationofUrbanArea[J].ChineseJournalofElectronics,2011,20(1):143-149.
[3]DuY,WuS,SunX,etal.Semi-supervisedfeatureselectionbasedonregularizationandgeometricmean[J].Neurocomputing,2016,210:121-128.
[4]ChenZ,YuS,LiM,etal.Adaptivesemi-supervisedfeatureselectionviavariationaloptimization[J].Neurocomputing,2017,230:82-88.
[5]ShiM,ZhaoC,GaoD,etal.Semi-SupervisedOne-ClassSupportVectorMachineBasedonJensen-ShannonDivergence[J].InternationalJournalofPatternRecognitionandArtificialIntelligence,2018:1750015.