用于高光谱数据分析的张量分类器
计算机视觉与模式识别
2018-12-26 v2
摘要
在这项工作中，我们提出了用于高光谱数据分类与分析的基于张量的线性和非线性模型。通过利用张量代数原理，我们引入了新的分类架构，其权重参数满足秩-1 典范分解性质。然后，我们引入了学习算法来训练线性和非线性分类器，其方式为：i) 最小化训练样本上的误差，ii) 权重系数满足秩-1 典范分解性质。所提出分类模型的优势在于：i) 它减少了所需的参数数量，从而减少了正确训练模型所需的相应训练样本数量；ii) 它提供了关于模型系数对分类输出的物理解释；iii) 它保留了输入样本的空间和光谱相干性。为了解决与线性分类相关的问题（由于它可以在输入空间中产生线性规则，其特征是容量低），我们引入了基于前馈神经网络修改的非线性分类模型。我们将所提出的架构称为秩-1 前馈神经网络（FNN），因为其权重满足秩-1 典范分解性质。我们还提出了适当的学习算法来训练该网络。实验结果以及与现有先进分类方法（线性的如 SVM 和非线性的如深度学习）的比较表明，所提出的方案具有更优的性能，特别是在只有少量训练样本可用的情况下。此外，评估了所提出的基于张量的分类器在降维方面的能力。
引用
@article{arxiv.1709.08164,
title = {Tensor-Based Classifiers for Hyperspectral Data Analysis},
author = {Konstantinos Makantasis and Anastasios Doulamis and Nikolaos Doulamis and Antonis Nikitakis},
journal= {arXiv preprint arXiv:1709.08164},
year = {2018}
}
备注
To appear in IEEE Transactions on Geoscience and Remote Sensing