基于模糊性的空-谱类判别信息保持主动学习用于高光谱图像分类
计算机视觉与模式识别
2020-06-01 v1 图像与视频处理
摘要
传统的用于高光谱图像分类（HSIC）的主动/自/交互学习在增大训练集规模时未考虑现有样本与新样本间的类散布与随机性。其次，关于联合光谱-空间信息的研究极为有限，最后，一个微小但仍值得提及的是停止准则问题，学界对此关注甚少。因此，本文提出一种新颖的基于模糊性的局部与全局类内及类间空-谱判别信息保持（FLG）方法。我们首先研究基于空间先验模糊性的误分类样本信息。随后计算局部与全局的类内及类间总体信息，并以细粒度方式公式化。之后将该信息输入判别目标函数以查询异质样本，从而消除训练样本间的随机性。在基准 HSI 数据集上的实验结果表明，FLG 方法在生成式、极限学习机以及稀疏多项逻辑回归（SMLR）-LORSAL 分类器上的有效性。
引用
@article{arxiv.2005.14236,
title = {Fuzziness-based Spatial-Spectral Class Discriminant Information Preserving Active Learning for Hyperspectral Image Classification},
author = {Muhammad Ahmad},
journal= {arXiv preprint arXiv:2005.14236},
year = {2020}
}
备注
13 pages, 7 figures