基于稀疏表示增强的多项式逻辑极限学习机与加权复合特征用于光谱-空间高光谱图像分类
计算机视觉与模式识别
2018-05-15 v2
摘要
尽管极限学习机（ELM）已成功应用于许多模式识别问题，但由于两个主要缺点，它在高光谱图像（HSI）分类中未能提供足够好的结果。第一个是由于ELM的随机权重和偏置，可能导致不适定问题。第二个是缺乏用于分类的空间信息。为了解决这两个问题，本文提出了一种新的基于ELM的HSI光谱-空间分类框架，其中分别采用基于稀疏表示的概率建模和加权复合特征（WCF）来推导优化输出权重和提取空间特征。首先，在统计建模下使用最大后验（MAP）将ELM表示为凹对数似然函数。其次，将稀疏应用于拉普拉斯先验，以有效确定具有唯一最大值的对数后验，从而解决ELM的不适定问题。随后使用变量分裂和增广拉格朗日进一步降低所提算法的计算复杂度，并已被证明是一种更有效的提速方法。第三，使用加权复合特征（WCF）提取空间信息，构建光谱-空间分类框架。此外，通过严格的数学证明推导了所提方法的下界。在两个公开HSI数据集上的实验结果表明，所提方法优于ELM和多种最先进的方法。
引用
@article{arxiv.1709.03792,
title = {Sparse Representation Based Augmented Multinomial Logistic Extreme Learning Machine with Weighted Composite Features for Spectral Spatial Hyperspectral Image Classification},
author = {Faxian Cao and Zhijing Yang and Jinchang Ren and Wing-Kuen Ling},
journal= {arXiv preprint arXiv:1709.03792},
year = {2018}
}
备注
16 pages, 6 figuers and 4 tables