基于径向基核函数与随机距离的 PolSAR 数据区域分类
机器学习
2018-05-22 v1 信息论
机器学习
math.IT
摘要
PolSAR 数据的区域分类可通过寻找使原型与分割区之间距离最小的分配来有效进行。Silva 等人（2013）使用了复多元 Wishart 模型间的随机距离，与其他度量不同，其在计算上易处理。本文评估该方法对训练阶段误差的鲁棒性，并提出缓解此类问题的扩展。我们通过将径向基核函数与随机距离同支持向量机（SVM）结合，在流程中引入鲁棒性。我们考虑 Wishart 间的若干随机距离：Bhatacharyya、Kullback-Leibler、Chi-Square、Rényi 与 Hellinger。我们用模拟及实际传感器获取的 PolSAR 图像、在不同分类场景下做两个案例研究，以比较最小距离与 SVM 分类框架的性能。据此，我们对不完美训练样本的情形建模。我们表明，所提核函数的 SVM 相对于最小距离取得了更优性能，代价是更多计算资源与参数调优需求。代码与数据已提供以保证可复现性。
引用
@article{arxiv.1805.07438,
title = {Region-Based Classification of PolSAR Data Using Radial Basis Kernel Functions With Stochastic Distances},
author = {R. G. Negri and A. C. Frery and W. B. Silva and T. S. G. Mendes and L. V. Dutra},
journal= {arXiv preprint arXiv:1805.07438},
year = {2018}
}
备注
Accepted for publication in the International Journal of Digital Earth