基于大规模高斯过程的遥感图像分类

当前的遥感图像分类问题必须处理前所未有的海量异构且复杂的数据源。即将到来的任务将很快提供大型数据流，这将使土地覆盖/利用分类变得困难。机器学习分类器可以在此方面提供帮助，目前已有许多可用方法。高斯过程分类器 (GPC) 是一种流行的核分类器，因为它以严谨的概率处理方式来解决分类问题，从而为预测提供置信区间，并且能获得与最先进的神经网络和支持向量机极具竞争力的结果。然而，其计算成本对于大规模应用而言过于高昂，构成了阻碍其被广泛采用的主要障碍。本文通过引入两种新颖的高效高斯过程 (GP) 分类方法来解决这一问题。我们首先将标准的随机傅里叶特征近似引入 GPC，这大大降低了其计算成本并允许进行大规模遥感图像分类。此外，我们提出了一种模型，避免了随机采样大量傅里叶频率，而是在变分贝叶斯方法中学习最优频率。所提方法的性能在多光谱图像和红外探测数据的云检测复杂问题中得到了展示。优异的实验结果在计算成本和准确率两方面均支持了该方案。