利用扩展多示例函数进行高光谱目标签名表征的实例影响估计
计算机视觉与模式识别
2016-09-21 v1
摘要
扩展多示例函数 (Extended Functions of Multiple Instances, eFUMI) 算法是多示例学习 (Multiple Instance Learning, MIL) 的推广。在 eFUMI 中，仅需包级别（即集合级别）标签即可从混合数据中估计目标签名。eFUMI 中的训练包若包内任意数据点包含或表示任意比例的目标签名则标为正，若包内所有数据点均不表示任何目标则标为负包。从这些不精确标签出发，eFUMI 已被证明在高光谱亚像素目标检测问题中能有效地估计目标签名。使用 eFUMI 的一个动机场景是：分析员在高光谱场景中圈出感兴趣物体/区域，从而可估计这些物体的目标签名并用于判断该物体的其他实例是否出现在图像集的其他位置。分析员高亮的区域作为 eFUMI 的不精确标签。通常，分析员可能希望迭代地精炼其不精确标签。本文中，我们提出一种方法，用于估计若修改某一特定输入数据点的标签对估计出的目标签名的影响。该“实例影响估计”引导分析员聚焦于（重新）标注那些对所得估计目标签名产生最大改变的数据点，从而减少分析员精炼高光谱场景标签所需的时间。结果在真实高光谱亚像素目标检测数据集上展示。
引用
@article{arxiv.1603.06496,
title = {Instance Influence Estimation for Hyperspectral Target Signature Characterization using Extended Functions of Multiple Instances},
author = {Sheng Zou and Alina Zare},
journal= {arXiv preprint arXiv:1603.06496},
year = {2016}
}
备注
Published, Proceedings of the SPIE, 2016