多度量学习算法在多传感器融合上的分类精度
计算机视觉与模式识别
2013-09-27 v2
摘要
本文聚焦于两个主要问题：首先是相似度搜索在度量空间中学习训练样本的影响，以及基于监督学习分类的搜索。具体而言，引入了四种基于空间信息的度量空间搜索分类器：切比雪夫距离 (Chebyshev Distance, CD)、Bray-Curtis 距离 (Bray Curtis Distance, BCD)、曼哈顿距离 (Manhattan Distance, MD) 和欧几里得距离 (Euclidean Distance, ED)。第二个问题研究了多传感器图像组合对监督学习分类精度的性能。本研究使用了 QuickBird 多光谱数据 (MS) 和全色数据 (PAN) 来展示融合图像相对于原始图像的增强效果和精度评估。融合图像的监督分类结果优于 MS 图像。其中 QuickBird 数据结合 ED 分类器取得了最佳结果，优于其他分类器。
引用
@article{arxiv.1309.3006,
title = {The Classification Accuracy of Multiple-Metric Learning Algorithm on Multi-Sensor Fusion},
author = {Firouz Abdullah Al-Wassai and N. V. Kalyankar},
journal= {arXiv preprint arXiv:1309.3006},
year = {2013}
}
备注
This paper has been withdrawn by the author due to a crucial sign error in title the paper