直推式支持向量机(Transductive Support Vector Machine,TSVM)是标准的支持向量机算法在半监督学习问题上的一种扩展,但已有的TSVM算法存在训练速度慢、回溯式学习多、学习性能不稳定等缺点,针对这些问题提出一种改进的直推式支持向量...直推式支持向量机(Transductive Support Vector Machine,TSVM)是标准的支持向量机算法在半监督学习问题上的一种扩展,但已有的TSVM算法存在训练速度慢、回溯式学习多、学习性能不稳定等缺点,针对这些问题提出一种改进的直推式支持向量机算法———ITSVM,该算法较准确地确定了待训练的未标识样本中的正负样本数问题,有效解决了传统TSVM中过多的回溯式学习问题,同时该算法也无需利用过多的未标识训练样本,从而减轻了计算强度.实验表明,ITSVM相比TSVM在分类正确率、分类速度以及使用的样本规模上,都表现出了一定的优越性.展开更多
为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网...为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网络演化算法的叠置分割获取多时相高分遥感影像的影像对象,通过卷积神经网络提取遥感影像的深度空间特征,并与灰度、指数和纹理等传统影像对象特征联合构建特征空间;然后,利用卡方变换计算多维特征的加权特征差异度,采用最大期望算法和贝叶斯最小错误判别规则得到二值分割结果,依据变化概率自动将分割结果中准确率较高的部分标记为训练样本;最后,采用标记训练样本获得TSVM的多维特征空间二值分割超平面,进而完成自动变化检测。选择武汉市的两组高分数据集作为实验数据。实验结果表明,该方法能够实现样本自动选择,并且通过融合深度空间特征可以有效提高特征学习的充分性,平均准确率达到了88.84%,平均漏检率较仅利用传统影像对象特征的TSVM法降低了3.29个百分点,在定性和定量的变化检测有效性评价中均得到了提高。展开更多
文摘直推式支持向量机(Transductive Support Vector Machine,TSVM)是标准的支持向量机算法在半监督学习问题上的一种扩展,但已有的TSVM算法存在训练速度慢、回溯式学习多、学习性能不稳定等缺点,针对这些问题提出一种改进的直推式支持向量机算法———ITSVM,该算法较准确地确定了待训练的未标识样本中的正负样本数问题,有效解决了传统TSVM中过多的回溯式学习问题,同时该算法也无需利用过多的未标识训练样本,从而减轻了计算强度.实验表明,ITSVM相比TSVM在分类正确率、分类速度以及使用的样本规模上,都表现出了一定的优越性.
文摘为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网络演化算法的叠置分割获取多时相高分遥感影像的影像对象,通过卷积神经网络提取遥感影像的深度空间特征,并与灰度、指数和纹理等传统影像对象特征联合构建特征空间;然后,利用卡方变换计算多维特征的加权特征差异度,采用最大期望算法和贝叶斯最小错误判别规则得到二值分割结果,依据变化概率自动将分割结果中准确率较高的部分标记为训练样本;最后,采用标记训练样本获得TSVM的多维特征空间二值分割超平面,进而完成自动变化检测。选择武汉市的两组高分数据集作为实验数据。实验结果表明,该方法能够实现样本自动选择,并且通过融合深度空间特征可以有效提高特征学习的充分性,平均准确率达到了88.84%,平均漏检率较仅利用传统影像对象特征的TSVM法降低了3.29个百分点,在定性和定量的变化检测有效性评价中均得到了提高。
