MIMA：用于光学影像与极化SAR数据半监督融合的MAPPER诱导流形对齐
计算机视觉与模式识别
2020-01-08 v1
摘要
多模态数据融合近来在遥感分类任务中展现出前景。光学数据与雷达数据是两种重要但本质不同的数据源，其潜在的数据融合正受到越来越多的关注。众所周知，基于机器学习的方法往往能取得优异性能。然而，该方法依赖于大规模训练集，而在遥感中获取此类训练集代价极高。半监督流形对齐（SSMA）作为一种多模态数据融合算法，旨在通过无监督技术将标注数据与非标注数据关联，从而放大已有训练集的影响。本文中，我们探索SSMA在融合光学数据与极化SAR数据（多传感器数据源）方面的潜力。此外，我们提出一种MAPPER诱导流形对齐（MIMA），用于多传感器数据源的半监督融合。我们所提方法将SSMA与MAPPER相结合，后者源自新兴的拓扑数据分析（TDA）领域。据我们所知，这是SSMA首次应用于融合光学与SAR数据，也是TDA首次应用于遥感。传统SSMA使用k近邻（kNN）推导拓扑结构，而MIMA采用MAPPER，其考虑领域知识并通过谱聚类以数据驱动方式推导新颖拓扑结构。关于土地利用与土地覆盖分类及局部气候带分类的数据融合实验结果表明，MIMA具有更优性能。
引用
@article{arxiv.1906.05512,
title = {MIMA: MAPPER-Induced Manifold Alignment for Semi-Supervised Fusion of Optical Image and Polarimetric SAR Data},
author = {Jingliang Hu and Danfeng Hong and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1906.05512},
year = {2020}
}