面向高光谱异常检测的最优稀疏核学习
机器学习
2015-06-09 v1
摘要
本文提出一种用于基于支持向量数据描述（SVDD）异常检测的稀疏核学习新框架。该工作中，异常检测的最优稀疏特征选择首先被建模为混合整数规划（MIP）问题。由于 MIP 计算复杂度过高，将其松弛为二次约束线性规划（QCLP）问题。该 QCLP 问题随后可通过迭代优化方法实际求解，其中多次迭代寻找特征的多个子集而非单个子集。基于 QCLP 的迭代优化问题在称为经验核特征空间（EKFS）的有限空间中求解，而非在输入空间或再生核希尔伯特空间（RKHS）中。这是因为 EKFS 与相应 RKHS 的几何性质保持一致。至此，在有限 EKFS 中对数据进行显式非线性利用得以实现，从而产生最优特征排序。基于高光谱图像的实验结果表明，所提方法相较于当前最先进的技术可提供改进的性能。
引用
@article{arxiv.1506.02585,
title = {Optimal Sparse Kernel Learning for Hyperspectral Anomaly Detection},
author = {Zhimin Peng and Prudhvi Gurram and Heesung Kwon and Wotao Yin},
journal= {arXiv preprint arXiv:1506.02585},
year = {2015}
}
备注
4 pages, 1 figure, 5th workshop on Hyperspectral image and signal processing: evolution in remote sensing