用于高光谱数据分类的增量导入向量机
计算机视觉与模式识别
2017-08-22 v1
摘要
本文提出了一种导入向量机 (IVM) 的增量学习策略，这是一种稀疏核逻辑回归方法。我们将该过程用于高光谱数据序列分类的自训练概念。该策略包括纳入新的训练样本以提高分类精度，并删除非信息性样本以提高内存和运行时效率。此外，我们在增量 IVM 模型中更新参数，而无需从头开始重新训练。因此，该增量分类器能够处理大型数据集。从精度方面评估了 IVM 与支持向量机 (SVM) 的性能，并进行了实验以评估 IVM 概率输出的潜力。实验结果表明，IVM 和 SVM 在分类精度方面表现相似。然而，与支持向量的数量相比，导入向量的数量显著降低，因此可以减少分类期间的计算时间。此外，与从 SVM 输出导出的概率信息相比，IVM 提供的概率更为可靠。另外，所提出的自训练策略可以提高分类精度。总体而言，IVM 及其增量版本对于高光谱数据的分类是值得的。
引用
@article{arxiv.1708.05966,
title = {Incremental Import Vector Machines for Classifying Hyperspectral Data},
author = {Ribana Roscher and Björn Waske and Wolfgang Förstner},
journal= {arXiv preprint arXiv:1708.05966},
year = {2017}
}