《多流形半監督學習及其在高光譜遙感影像分類中的套用》是依託重慶大學，由黃鴻擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：多流形半監督學習及其在高光譜遙感影像分類中的套用
- 項目類別：青年科學基金項目
- 項目負責人：黃鴻
- 依託單位：重慶大學
中文摘要,結題摘要,
中文摘要
高光譜影像(HSI)可描述為在低維嵌入空間上的流形，但確切流形結構尚未明確，多認為是低維嵌入空間上的單一流形。本課題組發現HSI中具有多個不連續的子集，且每個子集的低維流形亦不同，存在多流形結構。關於HSI中多流形結構，迄今國內外尚無報導。同時，我們證實半監督學習可提高有限標記HSI數據的分類精度。本研究旨在利用流形學習和半監督學習技術，探明HSI中的多流形結構，並建立多流形半監督學習和分類模型，為解決HSI分類中的維數災難問題奠定基礎，具有理論意義和潛在的套用前景。研究內容包括：(1)證實HSI中多流形的存在； (2)採用半監督聚類對部分標記的HSI進行聚類，得到代表各流形的聚類數據，利用流形學習對各個聚類數據進行學習，揭示HSI中低維多流形結構，實現維數約簡；(3)不同流形的內在維數並不一致，採用流形重構誤差方法建立多流形分類器，為解決多流形條件下HSI分類問題提供新思路和新方法。
結題摘要
高光譜遙感影像提供了十分詳盡精確的地物光譜信息，但是如何對這成百波段的高光譜數據去除冗餘信息，挖掘數據本徵空間，提取鑑別特徵，成為其分類成敗與否的關鍵。本項目以傳統主要流形學習算法存在不能發現高光譜遙感影像中的多流形結構為背景，以提出新的多流形學習模型以及分類器為研究思路，重點在3個方向進行了研究：(1) 新型的多流形學習建模；(2) 基於流形重構誤差與局部光譜角的分類器設計；(3) 融合稀疏表示的稀疏流形學習建模。在多流形學習建模方面，提出了一種基於線性局部與全局保持嵌入的多流形學習算法，並驗證了該模型學習得到的低維流形不僅能夠簡潔並有效地刻畫高光譜遙感數據的真實多子流形結構，且具有最優的嵌入維數，是流形學習的一個新的理論成果。在分類設計方面，針對多流形數據中不同維數的嵌入特徵，提出了基於子流形上重構誤差的多流形分類器；此外，還提出了一種新的局部光譜角最近鄰分類器，使準確判斷未知數據類別的機率增加，同時分類的穩定性更好，受噪聲影響小，能改善地物分類效果，具有較大的套用價值。在此基礎上，引入稀疏表示方法，構建稀疏流形學習模型，積極探索高光譜數據中各子流形的內蘊變數，有利於了解高光譜遙感影像哪些特徵對分類起到了最為本質的作用，並給出特徵層面合理的語義解釋，這些探索有效地拓展了流形學習的外延。通過三年的有效執行，本項目取得了一系列的成果，發表/錄用學術論文25篇(其中SCI境外期刊8篇，EI檢索17篇)，申請發明專利5項(授權2項)，並培養博士後1名、博/碩士研究生12人。
