【摘要】：針對(duì)全極化SAR圖像在監(jiān)督分類中存在的人工標(biāo)注樣本費(fèi)時(shí)費(fèi)力以及多種極化特征未能綜合利用等問題,提出一種基于協(xié)同訓(xùn)練與集成學(xué)習(xí)的極化SAR圖像半監(jiān)督分類方法。該方法以支持向量機(jī)作為半監(jiān)督學(xué)習(xí)的基分類器,通過協(xié)同學(xué)習(xí)機(jī)制將多種極化目標(biāo)分解下的特征有效結(jié)合,實(shí)現(xiàn)同時(shí)利用無標(biāo)注和有標(biāo)注樣本,最后通過集成學(xué)習(xí)進(jìn)一步提高分類模型的泛化能力。在AIRSAR和EMISAR影像上的實(shí)驗(yàn)表明,該方法能充分利用不同特征的特點(diǎn),在較少人工標(biāo)注的樣本下也能獲得較高的分類精度。
[Abstract]:A semi-supervised classification method for polarimetric SAR images based on cooperative training and ensemble learning is proposed to solve the problems such as the time and effort of manually tagging samples in supervised classification of fully polarized SAR images and the lack of comprehensive utilization of many polarimetric features. Support vector machine (SVM) is used as the basis classifier for semi-supervised learning. By means of cooperative learning mechanism, the features decomposed by multiple polarimetric targets are effectively combined to realize the simultaneous use of unlabeled and labeled samples. Finally, the generalization ability of the classification model is further improved by integrated learning. Experiments on AIRSAR and EMISAR images show that the proposed method can make full use of the characteristics of different features and achieve high classification accuracy with fewer samples labeled manually.
【作者單位】： 河海大學(xué)地球科學(xué)與工程學(xué)院;江蘇省測(cè)繪工程院;
【基金】：國家自然科學(xué)基金項(xiàng)目(41301449) 江蘇省測(cè)繪地理信息科研項(xiàng)目(JSCHKY201501) 地理空間信息工程國家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室經(jīng)費(fèi)資助項(xiàng)目(201324)
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 邱誠;王大海;任偉家;鄒權(quán);;基于集成學(xué)習(xí)的音樂識(shí)別方法研究[J];計(jì)算機(jī)科學(xué);2012年12期

相關(guān)碩士學(xué)位論文 前1條

1 雷楊;基于集成學(xué)習(xí)的垃圾短信多級(jí)分類技術(shù)研究[D];電子科技大學(xué);2011年

，

本文編號(hào)：2275292