基於多視圖協同訓練的高光譜遙感影像分類

《基於多視圖協同訓練的高光譜遙感影像分類》是依託中國礦業大學，由譚琨擔任項目負責人的面上項目。

基本介紹

• 中文名：基於多視圖協同訓練的高光譜遙感影像分類
• 項目類別：面上項目
• 項目負責人：譚琨
• 依託單位：中國礦業大學

項目摘要

高光譜遙感影像分類是目前遙感信息處理領域的研究熱點，但在分類器選擇、精度穩定性、處理效率等方面仍存在許多問題需要解決。針對高光譜遙感影像分類的難點和機器學習的研究進展，將多視圖協同訓練引入高光譜遙感影像分類，構建基於多視圖協同訓練的高光譜遙感影像分類的方法體系，選擇不同的高光譜多特徵集作為分類視圖，研究多視圖單分類器、多視圖多分類器、多源數據多視圖分類等組合方式，探索多視圖協同訓練的差異性測度、學習機最佳化算法、多分類器集成學習策略等關鍵問題，引入CUDA並行遙感技術解決運算效率的問題。通過城市擴展、土地覆蓋分類、礦區環境監測等套用實例進行算法評價，歸納適用於高光譜遙感影像分類的多視圖協同訓練策略。研究成果能促進遙感科學、機器學習、模式識別等學科的交叉融合，能有效提高高光譜遙感影像分類和信息處理的精度和可靠性，推進高光譜遙感信息處理的套用。

結題摘要

本項目面向高光譜遙感影像處理與信息提取的需求，針對高光譜遙感影像分類中的小樣本情況下分類精度過低的問題，研究了多視圖學習、協同訓練、主動學習、深度學習等算法，通過協同訓練與高光譜遙感影像處理的有機結合，構建了基於多視圖協同訓練的高光譜遙感影像分類方法體系，解決了其中涉及的特徵空間與學習機差異性測度與選擇、多視圖協同訓練算法、新型學習機協同處理策略、協同訓練的並行運算方法、精度評價與算法最佳化等關鍵問題，改進了高光譜遙感影像分類協同訓練、多特徵視圖構建、遙感分類效率低等高光譜遙感分類問題，並通過環境遙感、地理國情監測、城市遙感等實際案例的套用，推動了高光譜遙感影像處理新方法的研究，為高光譜遙感影像的全面深入套用提供技術支持。 （1）在深入研究傳統的協同訓練算法理論知識基礎之上，提出將主動學習、空間鄰域信息及多尺度同質集成融入到協同訓練算法中。針對常用的一對一及非一對一差異性度量策略中存在的一些問題，在考慮分類器整體分類結果的差異性基礎上，充分融入在每類地物樣本分類結果的差異性，提出一種新的一對一差異性度量策略。 (2)針對常用樣本選擇方法中存在的一些問題，通過閾值將有效類別進行篩選，之後通過方差來度量各個有效類別之間的不易區分程度，最後選出相似度最大的非標記樣本進行標記。在半監督分類過程中，提出一種新的樣本確定算法。以待確定的非標記樣本為中心像元，通過設定圓形搜尋區域尋找出鄰域內出現的訓練樣本並以此形成標籤可能集合，之後與分類器結果進行對比確定中心像元的標籤。 （3）通過研究RBM模型作為特徵提取方法和分類方法的基礎上，採用RBM模型構建了兩種深度神經網路。DBNs模型通過逐層貪婪的訓練方法實現了深度神經網路的有效訓練，RBM-DNN模型實現了一個自包含的深度神經網路。