一种用于高维数据与散乱点云的两阶段分类方法

高维数据分类是机器学习与成像科学中的一项基本任务。本文提出一种两阶段多相半监督分类方法，用于对高维数据与非结构化点云进行分类。首先，采用模糊分类方法（如标准支持向量机）生成热启动初始化。随后，我们应用一种名为 SaT（平滑与阈值化）的两阶段方法以改进分类。在第一阶段，实施一个无约束凸变分模型来净化并平滑该初始化，接着第二阶段将第一阶段获得的平滑划分投影为二值划分。这两个阶段可重复进行，以最新结果作为新的初始化，持续提升分类质量。我们证明了平滑阶段的凸模型具有唯一解，且可由专门设计的、收敛性有保障的原始对偶算法求解。我们在多个基准数据集上测试了该方法，并与当前最优（SOTA）方法进行比较。实验结果清楚地表明，我们的方法在高维数据与散乱点云的分类精度和计算速度上均具优势。