基于空间-光谱流形对齐的联合渐进子空间分析(JPSA)用于半监督高光谱降维
计算机视觉与模式识别
2020-09-22 v1
摘要
传统的非线性子空间学习技术(如流形学习)通常在可解释性(显式映射)与成本效益(线性化)、泛化能力(样本外)以及可表示性(空间-光谱判别性)方面存在一些缺陷。为克服这些不足,本文提出了一种带有空间-光谱流形对齐的新型线性化子空间分析技术,用于半监督高光谱降维(HDR),称为联合渐进子空间分析(JPSA)。JPSA通过以下方式从高光谱数据中学习高层、语义上有意义的联合空间-光谱特征表示:1)联合学习潜在子空间与线性分类器,以寻找有利于分类的有效投影方向;2)渐进搜索若干子空间的中间状态,以逼近从原始空间到潜在更具判别性子空间的最优映射;3)在每个学到的潜在子空间中对齐流形结构的空间与光谱信息,从而在压缩数据与原数据之间保持相同或相似的拓扑性质。本文探索了一种简单而有效的分类器,即最近邻(NN),作为验证不同HDR方法算法性能的潜在应用。大量实验在两种广泛使用的高光谱数据集上证明了所提JPSA相较于以往最先进HDR方法的优越性与有效性:Indian Pines(92.98%)与University of Houston(86.09%)。这项基础工作(即ECCV2018)的演示代码公开于https://github.com/danfenghong/ECCV2018_J-Play。
引用
@article{arxiv.2009.10003,
title = {Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction},
author = {Danfeng Hong and Naoto Yokoya and Jocelyn Chanussot and Jian Xu and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2009.10003},
year = {2020}
}