基于GMM的合成样本用于有限训练数据的高光谱图像分类
计算机视觉与模式识别
2018-07-04 v1
摘要
训练分类器所需的训练数据量随特征数据维数而增长。在高光谱遥感中，特征数据可能变得非常高维。然而，训练数据量往往有限。因此，高光谱遥感的核心挑战之一是如何仅使用相对较少的训练数据点进行多类分类。在本工作中，我们通过用合成生成的样本点丰富特征矩阵来解决此问题。这些合成数据是从拟合到每类有限训练数据的GMM中采样得到。尽管拟合的GMM可能无法完美建模特征的真实分布，我们证明由这些合成样本进行的适度增广可有效替代部分缺失的训练样本。我们在两个高光谱数据集上展示了所提方法的有效性。分类性能的中位增益为。同样令人鼓舞的是，该性能增益在添加样本数量大幅变化时异常稳定，这使其更易于应用于实际场景。
引用
@article{arxiv.1712.04778,
title = {GMM-Based Synthetic Samples for Classification of Hyperspectral Images With Limited Training Data},
author = {AmirAbbas Davari and Erchan Aptoula and Berrin Yanikoglu and Andreas Maier and Christian Riess},
journal= {arXiv preprint arXiv:1712.04778},
year = {2018}
}