集成 p-Laplacian 正则化用于遥感图像识别
计算机视觉与模式识别
2018-06-22 v1
摘要
近来，流形正则化半监督学习（MRSSL）受到相当关注，因为它成功利用了包括有标记与无标记样本在内的内在数据概率分布的几何结构，从而提升学习模型的性能。作为图拉普拉斯的自然非线性推广，p-Laplacian 已被证明具有丰富的理论基础以更好地保持局部结构。然而，难以确定拟合的图 p-Laplacian，即作为图 p-Laplacian 性能关键因素的参数。因此，我们开发了集成 p-Laplacian 正则化（EpLapR）以充分逼近数据分布的内在流形。EpLapR 将多个图整合进一个正则化项，以充分探索图 p-Laplacian 的互补性。具体而言，我们通过引入一种优化方法在不同 p 值图上分配合适权重来构建融合图。然后，我们在融合图上执行半监督学习框架。在 UC-Merced 数据集上的大量实验证明了所提方法的有效性与高效性。
引用
@article{arxiv.1806.08109,
title = {Ensemble p-Laplacian Regularization for Remote Sensing Image Recognition},
author = {Xueqi Ma and Weifeng Liu and Dapeng Tao and Yicong Zhou},
journal= {arXiv preprint arXiv:1806.08109},
year = {2018}
}
备注
13 pages, 7 figures. arXiv admin note: text overlap with arXiv:1806.08104