卫星图像序列中时空相似性图的监督学习
计算机视觉与模式识别
2007-09-20 v2
摘要
高分辨率卫星图像序列是由与时空模式相关联的多维信号组成，这些模式对应于众多且各异的现象。Heas 和 Datcu (2005) 此前曾提出利用贝叶斯方法将卫星图像序列中包含的信息编码为图表示。基于此类表示，本文进一步提出了一种针对卫星图像序列中出现的时空模式相关语义的监督学习方法。该方法能够实现对相似事件的识别与概率检索。事实上，图附着于描述观测场景中物理变化的时空过程统计模型。因此，我们调整了一个参数模型以评估图模式之间的相似性类型，从而表征附着于时空现象的用户特定语义。学习步骤是通过用户提供的附着于正面或/和负面语义的时空模式示例，增量地定义相似性类型来完成的。基于这些示例，利用贝叶斯网络和 Dirichlet 模型推断概率。这使得用户兴趣能够链接到图模式之间的特定相似性模型。根据当前的学习状态，更新所有可能图模式的语义后验概率，以便从图像序列中识别和检索相似的时空现象。在多光谱 SPOT 图像序列上进行的少量实验说明了所提出的时空识别方法。
引用
@article{arxiv.0709.3013,
title = {Supervised learning on graphs of spatio-temporal similarity in satellite image sequences},
author = {Patrick Héas and Mihai Datcu},
journal= {arXiv preprint arXiv:0709.3013},
year = {2007}
}