-
题名低秩稀疏和改进SAM的高光谱图像误标签检测
被引量：4
- 1
-
-
作者
刘煊
渠慎明
-
机构
河南大学软件学院
河南大学智能网络系统研究所
-
出处
《激光技术》
CAS
CSCD
北大核心
2022年第6期808-816,共9页
-
基金
河南省科技发展计划资助项目(212102210538)
河南大学研究生教育创新与质量提升计划资助项目(SYL20040121)。
-
文摘
为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题,采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测,根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息,得到每类样本间的光谱相似度,并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测,使用支持向量机在两个真实数据集上验证。结果表明,该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。
-
关键词
图像处理
低秩稀疏表示
归一化光谱角制图
密度峰值聚类算法
噪声标签检测
-
Keywords
image processing
low rank sparse representation
normalized spectral angle mapping
density peak clustering algorithm
noise label detection
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于自适应噪声校正的鲁棒域适应学习
- 2
-
-
作者
汪云云
桂旭
郑潍雯
薛晖
-
机构
南京邮电大学计算机科学与技术学院
南京邮电大学
东南大学计算机科学与工程学院
-
出处
《广西科学》
CAS
北大核心
2022年第4期660-667,共8页
-
基金
国家自然科学基金面上项目(61876091)
中国博士后科学基金项目(2019M651918)资助。
-
文摘
域适应(Domain Adaptation, DA)学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习。DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能。为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法(Robust DA Method through Adaptive Noise Correction, RoDAC)。RoDAC包含两个学习阶段,即自适应噪声标签检测(Adaptive Noise Label Detection, ANLD)和自适应噪声标签校正(Adaptive Noise Label Correction, ANLC)。在ANLD中,使用自适应噪声检测器识别带有噪声标签的源实例,并进一步在ANLC中自适应地校正噪声标签,将其重新投入域适应学习中。与基准数据集进行比较,结果表明RoDAC方法在源域标签存在噪声的域适应场景中取得了显著的性能提升。该学习策略可集成至许多现有的DA方法中,以提升其在噪声标签场景下的学习性能。
-
关键词
域适应
噪声标签检测
噪声标签校正
鲁棒性
元网络
-
Keywords
domain adaptation
noise label detection
noise label correction
robustness
meta network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
