CN107273853B - 一种基于类心和协方差对齐的遥感图像迁移学习方法 - Google Patents

一种基于类心和协方差对齐的遥感图像迁移学习方法 Download PDF

Info

Publication number
CN107273853B
CN107273853B CN201710456531.5A CN201710456531A CN107273853B CN 107273853 B CN107273853 B CN 107273853B CN 201710456531 A CN201710456531 A CN 201710456531A CN 107273853 B CN107273853 B CN 107273853B
Authority
CN
China
Prior art keywords
data
source domain
class
covariance
heart
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710456531.5A
Other languages
English (en)
Other versions
CN107273853A (zh
Inventor
马丽
祝蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710456531.5A priority Critical patent/CN107273853B/zh
Publication of CN107273853A publication Critical patent/CN107273853A/zh
Application granted granted Critical
Publication of CN107273853B publication Critical patent/CN107273853B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明本一种基于类心和协方差对齐的遥感图像迁移学习方法，包括以下步骤：准备源域数据和目标域数据；对目标域图像进行空间平滑；源域和目标域数据的整体中心对齐；利用源域标签数据训练SVM分类器并对目标域数据进行分类；对源域各类数据进行变换，使得变换后的源域各类数据和目标域各类数据的协方差矩阵相等；计算源域和目标域各个类别数据的类心，将源域各类数据按照类心差的方向向目标域移动实现类心对齐；利用变换后的源域数据训练SVM分类器，对目标域数据进行分类。本发明充分利用数据的一阶和二阶统计特性描述数据分布，通过对齐源域数据和目标域数据的类心和协方差矩阵，缩小两域之间的分布差异，提高分类性能。

Description

一种基于类心和协方差对齐的遥感图像迁移学习方法
技术领域
本发明涉及一种基于类心和协方差对齐的遥感图像迁移学习方法，用于多时相遥感图像的分类，属于遥感图像处理技术领域。
背景技术
随着遥感卫星数目的增多和重访周期的缩短，我们可以获得大量地面遥感图像，但遥感图像分类中存在这样的难题：标记样本的获取非常困难，需要花费大量的人力、物力、和财力。因此，如何在标记样本缺乏情况下进行遥感图像的分类，特别是在标记样本不存在情况下进行遥感图像的全自动分类具有重要研究意义。对于这种分类问题，从相关图像中“借用”已有知识是一种有效的解决方法。假如我们对一幅图像已经有足够多的标记样本，如果能够重新利用这些旧的知识，对新来的图像进行分类，对新图像就可以达到自动分类的效果。那么如何重新利用这些旧的标记样本呢？如果利用传统分类器，将旧图像中的标记样本作为训练数据，对新图像进行分类，通常分类效果不好。因为传统分类器是假设训练数据和测试数据具有相同的数据分布，而在不同时间或者区域拍摄的遥感图像中，地物的光谱特征会发生变化，使得训练数据和测试数据的分布变得不同。因此，传统分类算法不再适用。
迁移学习是运用已有的知识对不同但是相关领域问题进行求解的一种机器学习算法，其目的是把已有知识迁移到新领域，学习一个适用于新领域数据的分类器，能够解决训练数据和测试数据分布不同情况下的分类问题。因此，对缺乏标记样本的遥感图像进行分类，迁移学习可以有效利用已有的相关遥感图像中的知识，是一种有效的分类算法。在分类问题中，已有的具有充分标记样本的数据称为源域数据，缺乏标记样本的待分类的数据称为目标域数据，并且源域数据和目标域数据的地物特征是相关但是不同的。
在遥感图像分类中，基于特征的迁移学习算法是研究热点，其通过数据变换，使得变换后源域数据和目标域数据的分布相似，那么在源域标记数据上训练的分类器，就可以直接用于目标域数据的分类。该类算法的迁移策略是最小化源域和目标域的分布差异，也就进行特征对齐。但是大多基于特征的迁移学习算法大多将所有源域数据看作一个整体，所有目标域数据看作一个整体，而没有考虑不同类别数据的分布差异，所以不能针对各个类别进行知识迁移。全体数据特征的对齐，不一定使得每个类别的数据特征都对齐。
发明内容
为了解决现有技术的不足，本发明提供了一种基于类心和协方差对齐的遥感图像迁移学习方法(Class Centroid and Covariance Alignment，CCCA)，通过对源域数据进行变换使得源域和目标域的特征对齐，所涉及算法简单有效，并且不要求目标域数据有任何的标记样本，因而可以获得对目标域图像的全自动分类。
本发明为解决其技术问题所采用的技术方案是：提供了一种基于类心和协方差对齐的遥感图像迁移学习方法，对源域数据各个类别进行变换，使得源域和目标域的各个类别数据具有相同的一阶和二阶统计特性，以达到两个领域数据同分布的目的。该方法需要利用目标域数据的预测标签来估计各类类心和协方差矩阵，因此，采用数据空间平滑和整体中心对齐两种数据预处理方法，提高目标域数据预测标签的准确性，从而提高目标域各类类心和协方差矩阵估计的准确性，最终使得变换后的源域数据和目标域数据的光谱特征相似。该方法具体包括以下步骤：
(1)选取源域图像中的训练数据Xs，即源域数据，以及目标域图像数据Xt；
其中Xs是源域图像中的N个标记数据点的集合，每个数据点的维数是D，Xs的标记信息表示为Ys，用N×1的向量表示；Xt是目标域图像中M个数据点的集合，每个数据点的维数是D；假设源域和目标域数据各有C种地物类型，表示为Ω＝[Ω1，...，ΩC]，其中Ωi为类别数据，i＝1...C；
(2)对目标域图像进行空间平滑处理：
对于目标域图像中的每一个像素点x；使用以x为中心的大小为3×3的窗口，提取x的空间邻域，则x的空间邻域包括9个像素点，取9个像素点的平均光谱，即是对像素点x进行空间平滑处理后的光谱特征；
(3)源域和目标域数据的整体中心对齐：
首先，分别计算源域图像的源域数据中心us和目标域图像的目标域数据中心ut，求得源域中心和目标域数据中心的差异d＝us-ut，然后将源域数据Xs沿着d的方向向目标域移动，移动后的源域数据表示为：
利用更新后的源域数据训练支持向量机分类器，并获得目标数据Xt的预测结果Yt；设置迭代索引l＝1、预测结果Yt (l)＝Yt，以及更新后的源域数据
(4)源域和目标域各个类别数据的协方差对齐：
将l累加1，计算当前源域数据Xst(l-1)各个类别的协方差矩阵，基于预测标签Yt (l-1)来估计目标域数据Xt各个类别的协方差矩阵；利用以下变换矩阵对源域第j类数据做变换，使得源域第j类数据和目标域第j类数据的协方差矩阵对齐：
其中表示当前第j类源域数据的协方差矩阵，表示当前第j类目标域数据的协方差矩阵；利用以下变换矩阵对第j类源域数据进行变换：
(5)源域和目标域各个类别数据的类心对齐：
计算源域各个类别数据的类心以及目标域各个类别数据的类心，则源域和目标域第j类类心差为：
其中为第j类源域数据的类心，为第j类目标域数据的类心；
将第j类源域数据沿着第j类类心方向dj移动，则源域数据更新为：
(6)用更新后的源域数据Xst(l)训练支持向量机分类器，对目标域数据进行分类，得到目标数据的预测结果Yt (l)，所述Yt (l)为M×1的向量；
(7)重复步骤(4)～(6)直到预测结果Yt(l)稳定。
步骤(3)中，所述支持向量机分类器使用libSVM工具箱中的svmtrain函数进行训练。
步骤(7)中，所述预测结果Yt (l)稳定指达到收敛条件：连续5次分类结果Yt (l)对应的总体分类精度小于阈值T。
所述阈值T取值为0.005。
本发明基于其技术方案所具有的有益效果在于：
(1)本发明一种基于类心和协方差对齐的遥感图像迁移学习方法利用数据的一阶和二阶统计特性来描述数据分布，其中一阶统计特性(类心)代表地物的平均光谱属性，二阶统计特性(协方差矩阵)代表各个波段自身的光谱变化和波段与波段之间的相关性，基于类心和协方差矩阵对齐的迁移策略能够得到更好的数据分布对齐效果；
(2)本发明一种基于类心和协方差对齐的遥感图像迁移学习方法不要求目标域图像有任何的标记样本，因而可以获得对目标域图像的全自动分类；
(3)本方法计算复杂度低，分类效率高，精确度高。
附图说明
图1是本发明一种基于类心和协方差对齐的遥感图像迁移学习方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供了一种基于类心和协方差对齐的遥感图像迁移学习方法，对源域数据各个类别进行变换，使得源域和目标域的各个类别数据具有相同的一阶和二阶统计特性，以达到两个领域数据同分布的目的。该方法需要利用目标域数据的预测标签来估计各类类心和协方差矩阵，因此，采用数据空间平滑和整体中心对齐两种数据预处理方法，提高目标域数据预测标签的准确性，从而提高目标域各类类心和协方差矩阵估计的准确性，最终使得变换后的源域数据和目标域数据的光谱特征相似。参照图1，该方法具体包括以下步骤：
(1)选取源域图像中的训练数据Xs，即源域数据，以及目标域图像数据Xt；其中源域数据包含标记信息，目标域数据没有标记信息；
其中Xs是源域图像中的N个标记数据点的集合，每个数据点的维数是D，Xs的标记信息表示为Ys，用N×1的向量表示；Xt是目标域图像中M个数据点的集合，每个数据点的维数是D；假设源域和目标域数据各有C种地物类型，表示为Ω＝[Ω1，...，ΩC]，其中Ωi为类别数据，i＝1...C；
(2)对目标域图像进行空间平滑处理：
对于目标域图像中的每一个像素点x；使用以x为中心的大小为3×3的窗口，提取x的空间邻域，则x的空间邻域包括9个像素点，取9个像素点的平均光谱，即是对像素点x进行空间平滑处理后的光谱特征；
(3)源域和目标域数据的整体中心对齐：
首先，分别计算源域图像的源域数据中心us和目标域图像的目标域数据中心ut，可采用求平均值的方法，求得源域中心和目标域数据中心的差异d＝us-ut，然后将源域数据Xs沿着d的方向向目标域移动，移动后的源域数据表示为：
利用更新后的源域数据训练支持向量机分类器(Support Vector Machine，SVM)，并获得目标数据Xt的预测结果Yt；设置迭代索引l＝1、预测结果Yt (l)＝Yt，以及更新后的源域数据
(4)源域和目标域各个类别数据的协方差对齐：
将l累加1，计算当前源域数据Xst(l-1)各个类别的协方差矩阵，基于预测标签Yt (l-1)来估计目标域数据Xt各个类别的协方差矩阵；利用以下变换矩阵对源域第j类数据做变换，使得源域第j类数据和目标域第j类数据的协方差矩阵对齐：
其中表示当前第j类源域数据的协方差矩阵，表示当前第j类目标域数据的协方差矩阵；利用以下变换矩阵对源域数据进行变换：
(5)源域和目标域各个类别数据的类心对齐：
计算源域各个类别数据的类心以及目标域各个类别数据的类心，则源域和目标域第j类类心差为：
其中为第j类源域数据的类心，为第j类目标域数据的类心；
将第j类源域数据沿着第j类类心方向dj移动，则源域数据更新为：
(6)用更新后的源域数据Xst(l)训练支持向量机分类器，对目标域数据进行分类，得到目标数据的预测结果Yt (l)，所述Yt (l)为M×1的向量；
(7)重复步骤(4)～(6)直到预测结果Yt (l)稳定。
步骤(3)中，所述支持向量机分类器使用libSVM工具箱中的svmtrain函数进行训练。
步骤(7)中，所述预测结果Yt (l)稳定指达到收敛条件：(大小为M×1的向量)对应的总体分类精度(Overall Accuracy，OA)的变化很小，也就是连续5次OA的变化小于一个阈值T。假设目标域数据Xt的真实标记信息为Yt(大小为M×1的向量)，那么总体分类精度定义为Yt (l)和Yt中相同元素的个数除以M。阈值T可以取为0.005。
为证明上述方法的有效性，采用实际多时相高光谱遥感数据为例进行说明。
实验采用的多时相高光谱遥感图像，是由EO-1观测卫星搭载的Hyperion传感器分别于2001年5月，6月，和7月在Okavango Delta，Botswana(BOT)地区采集。该数据具有242个波段，光谱范围是357～2576纳米，具有10纳米的光谱分辨率和30×30m2的空间分辨率，去除未校准波段，噪声波段，以及光谱重叠波段，剩余145个波段进行实验。该地区包括湿地和高地两个生态系统，包含9种地物类别，分别是：
第1类：水；
第2类：泛洪区；
第3类：河岸；
第4类：树木烧焦区；
第5类：岛屿；
第6类：林地；
第7类：热带草原植被；
第8类：短阔叶树；
第9类：裸土。
对BOT三幅影像，我们可以选择一幅作为源域图像，另外一幅作为目标域图像，例如“5月-6月”表示5月份BOT图像作为源域数据，6月份BOT图像作为目标域数据。这样，我们可以有六组实验数据，分别表示为“5月-6月”、“6月-5月”、“5月-7月”、“7月-5月”、“6月-7月”、“7月-6月”。
将一种基于类心和协方差对齐的遥感图像迁移学习方法(CCCA)与不迁移情况下的SVM分类器、半监督迁移成分分析算法(SemiSupervised Transfer ComponentAnalysis，SSTCA)，子空间对齐算法(Subspace Alignment，SA)以及相关性对齐算法(CORrelation ALignment，CORAL)进行对比，表1给出五种方法在六组实验数据上的总体分类精度(Overall Accuracy，OA)以及卡帕系数：
表1本发明方法与经典迁移学习算法在BOT数据上的总体分类精度和卡帕系数
通过分析可以得到如下结论：(1)与不迁移的SVM分类器相比，CCCA在总体精度上有显著的提高，证明了本发明提出的迁移学习方法的有效性；(2)在所有数据集上，相较于SSTCA、CORAL和SA，本发明提出的CCCA能够获得更高的总体分类精度，具有更强的迁移学习能力；(3)在光谱漂移较为严重的情况下，如“6月-5月”、“7月-5月”数据，SSTCA，CORAL和SA三种方法，OA不能达到满意的精度，但是CCCA能够达到准确率达到90％以上。
本发明中的CCCA包括两个预处理步骤：空间平滑和整体中心对齐。为了证明这两个数据预处理的有效性，分析对比如下三种方法：
A、未迁移的基SVM分类器；
B、未经数据预处理的CCCA；
C、经过数据预处理的CCCA(本发明方法)；
表2列出了三个分类器在六组数据上的总体分类精度和卡帕系数(Kappa)：
表2不同迁移学习方法在BOT图像上的总体分类精度和卡帕系数
从表中可以得出如下结论(1)与不具有迁移能力的SVM分类器相比，没有经过数据预处理的CCCA的分类精度有明显提高，在光谱漂移较为严重的情况下，如“6月-5月”、“7月-5月”数据，都能取得较好的分类效果；(2)在所有数据上，相较于没有经过数据预处理的CCCA，经过数据预处理的CCCA能获得更高的分类准确率，证明了空间平滑和整体中心对齐的有效性。
本发明提出的一种基于类心和协方差对齐的遥感图像迁移学习方法充分利用了数据的一阶和二阶统计特性来描述数据分布，通过对齐源域数据和目标域数据的类心和协方差矩阵，缩小两域之间的分布差异。由于目标域各类数据的类心和协方差矩阵的估计依赖于目标域预测标签的准确性，因此采用空间平滑和整体中心对齐两种数据预处理策略，提高了预测标签的准确性，进一步提高了方法的分类性能。同时，实验只是给出了一种高光谱遥感数据，该方法法同样可以适用于其他遥感图像。

Claims (4)

1.一种基于类心和协方差对齐的遥感图像迁移学习方法，其特征在于包括以下步骤：
(1)选取源域图像中的训练数据Xs，即源域数据，以及目标域图像数据Xt；
其中Xs是源域图像中的N个标记数据点的集合，每个数据点的维数是D，Xs的标记信息表示为Ys，用N×1的向量表示；Xt是目标域图像中M个数据点的集合，每个数据点的维数是D；假设源域和目标域数据各有C种地物类型，表示为Ω＝[Ω1，...，ΩC]，其中Ωi为类别数据，i＝1...C；
(2)对目标域图像进行空间平滑处理：
对于目标域图像中的每一个像素点x；使用以x为中心的大小为3×3的窗口，提取x的空间邻域，则x的空间邻域包括9个像素点，取9个像素点的平均光谱，即是对像素点x进行空间平滑处理后的光谱特征；
(3)源域和目标域数据的整体中心对齐：
首先，分别计算源域图像的源域数据中心us和目标域图像的目标域数据中心ut，求得源域中心和目标域数据中心的差异d＝us-ut，然后将源域数据Xs沿着d的方向向目标域移动，移动后的源域数据表示为：
利用更新后的源域数据训练支持向量机分类器，并获得目标数据Xt的预测结果Yt；设置迭代索引l＝1、预测结果Yt (l)＝Yt，以及更新后的源域数据
(4)源域和目标域各个类别数据的协方差对齐：
将l累加1，计算当前源域数据Xst(l-1)各个类别的协方差矩阵，基于预测标签Yt (l-1)来估计目标域数据Xt各个类别的协方差矩阵；利用以下变换矩阵对源域第j类数据做变换，使得源域第j类数据和目标域第j类数据的协方差矩阵对齐：
其中表示当前第j类源域数据的协方差矩阵，表示当前第j类目标域数据的协方差矩阵；利用以下变换矩阵对第j类源域数据进行变换：
(5)源域和目标域各个类别数据的类心对齐：
计算源域各个类别数据的类心以及目标域各个类别数据的类心，则源域和目标域第j类类心差为：
其中为第j类源域数据的类心，为第j类目标域数据的类心；
将第j类源域数据沿着第j类类心方向dj移动，则源域数据更新为：
(6)用更新后的源域数据Xst(l)训练支持向量机分类器，对目标域数据进行分类，得到目标数据的预测结果Yt (l)，所述Yt (l)为M×1的向量；
(7)重复步骤(4)～(6)直到预测结果Yt (l)稳定。
2.根据权利要求1所述的基于类心和协方差对齐的遥感图像迁移学习方法，其特征在于：步骤(3)中，所述支持向量机分类器使用libSVM工具箱中的svmtrain函数进行训练。
3.根据权利要求1所述的基于类心和协方差对齐的遥感图像迁移学习方法，其特征在于：步骤(7)中，所述预测结果Yt (l)稳定指达到收敛条件：连续5次分类结果Yt (l)对应的总体分类精度小于阈值T。
4.根据权利要求3所述的基于类心和协方差对齐的遥感图像迁移学习方法，其特征在于：所述阈值T取值为0.005。
CN201710456531.5A 2017-06-16 2017-06-16 一种基于类心和协方差对齐的遥感图像迁移学习方法 Expired - Fee Related CN107273853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710456531.5A CN107273853B (zh) 2017-06-16 2017-06-16 一种基于类心和协方差对齐的遥感图像迁移学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710456531.5A CN107273853B (zh) 2017-06-16 2017-06-16 一种基于类心和协方差对齐的遥感图像迁移学习方法

Publications (2)

Publication Number Publication Date
CN107273853A CN107273853A (zh) 2017-10-20
CN107273853B true CN107273853B (zh) 2019-05-21

Family

ID=60067351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710456531.5A Expired - Fee Related CN107273853B (zh) 2017-06-16 2017-06-16 一种基于类心和协方差对齐的遥感图像迁移学习方法

Country Status (1)

Country Link
CN (1) CN107273853B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948648B (zh) * 2019-01-31 2023-04-07 中山大学 一种基于元对抗学习的多目标域适应迁移方法及系统
CN109919200B (zh) * 2019-02-15 2022-08-19 河海大学 一种基于张量分解和域适应的图像分类方法
CN109948741A (zh) * 2019-03-04 2019-06-28 北京邮电大学 一种迁移学习方法及装置
CN110210545B (zh) * 2019-05-27 2022-08-26 河海大学 基于迁移学习的红外遥感水体分类器构建方法
CN111461323B (zh) * 2020-03-13 2022-07-29 中国科学技术大学 一种图像识别方法及装置
CN111832427B (zh) * 2020-06-22 2022-02-18 华中科技大学 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统
CN111728609B (zh) * 2020-08-26 2020-11-17 腾讯科技（深圳）有限公司 脑电信号的分类方法、分类模型的训练方法、装置及介质
CN111898708A (zh) * 2020-09-29 2020-11-06 支付宝(杭州)信息技术有限公司 一种迁移学习方法和电子设备
CN112364916B (zh) * 2020-11-10 2023-10-27 中国平安人寿保险股份有限公司 基于迁移学习的图像分类方法、相关设备及存储介质
CN112598051B (zh) * 2020-12-19 2023-03-24 武汉大学 一种基于极化统计散射成分的跨域sar图像地物分类方法
CN113836996B (zh) * 2021-08-10 2024-02-02 中国地质大学（武汉） 高光谱遥感图像部分迁移方法及系统
CN114782763B (zh) * 2022-05-19 2022-11-11 哈尔滨工业大学 多视角高分遥感图像稀疏主成分对齐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224949B (zh) * 2015-09-23 2018-11-13 电子科技大学 基于跨领域迁移学习的sar图像地物分类方法
CN105469109B (zh) * 2015-11-19 2019-01-01 中国地质大学（武汉） 一种用于遥感图像分类的基于类心对齐的迁移学习方法
CN106599922B (zh) * 2016-12-16 2021-08-24 中国科学院计算技术研究所 用于大规模数据标定的迁移学习方法及系统

Also Published As

Publication number Publication date
CN107273853A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107273853B (zh) 一种基于类心和协方差对齐的遥感图像迁移学习方法
CN105469109B (zh) 一种用于遥感图像分类的基于类心对齐的迁移学习方法
CN108052966B (zh) 基于卷积神经网络的遥感图像场景自动提取和分类方法
CN105956612B (zh) 基于主动学习和半监督学习的高光谱图像分类方法
CN105608692B (zh) 基于反卷积网络和稀疏分类的极化sar图像分割方法
CN109902590A (zh) 深度多视图特征距离学习的行人重识别方法
CN106611423B (zh) 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN106096627A (zh) 顾及特征优化的极化sar图像半监督分类方法
CN106683102B (zh) 基于脊波滤波器和卷积结构学习模型的sar图像分割方法
CN103870816B (zh) 一种识别率高的植物识别的方法
CN112949738B (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
CN103218831A (zh) 一种基于轮廓约束的视频运动目标分类识别方法
CN102651073A (zh) 基于稀疏动态集成选择的sar图像地物分类方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN109299668A (zh) 一种基于主动学习和聚类分析的高光谱图像分类方法
CN106611422B (zh) 基于素描结构的随机梯度贝叶斯sar图像分割方法
CN102938071A (zh) 基于非局部均值的sar图像变化检测模糊聚类分析方法
CN106529484A (zh) 基于类指定多核学习的光谱和激光雷达数据联合分类方法
Al-Shakarji et al. Unsupervised learning method for plant and leaf segmentation
CN101833667A (zh) 一种基于分组稀疏表示的模式识别分类方法
CN109785329A (zh) 基于改进slic算法的紫色土图像分割提取方法
CN104091181A (zh) 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统
CN110533100A (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN104573745A (zh) 基于磁共振成像的实蝇分类方法
Liu et al. An improved lightweight network based on deep learning for grape recognition in unstructured environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190521

Termination date: 20210616