利用已有的标记数据对新领域图像进行分类是遥感图像场景分类的重要研究方向。提出了一种基于半监督子空间迁移的稀疏表示(sparse representation method based on semi-supervised transfer learning subspace,SR-SSTLS)遥感图像场景...利用已有的标记数据对新领域图像进行分类是遥感图像场景分类的重要研究方向。提出了一种基于半监督子空间迁移的稀疏表示(sparse representation method based on semi-supervised transfer learning subspace,SR-SSTLS)遥感图像场景分类方法。为减少源域和目标域数据分布变化,将不同数据域的遥感图像投影至共享子空间。源域和目标域数据在投影子空间协同学习共享字典,使得带标记的源域数据辅助目标域模型的建立。同时,建立了基于源域、目标域、源域-目标域标记数据的拉普拉斯图矩阵和目标域未标记数据的拉普拉斯正则化项,使得目标域中的数据均得到很好编码。在多个遥感图像数据集上的实验结果均证明了SR-SSTLS方法的有效性。展开更多
文摘利用已有的标记数据对新领域图像进行分类是遥感图像场景分类的重要研究方向。提出了一种基于半监督子空间迁移的稀疏表示(sparse representation method based on semi-supervised transfer learning subspace,SR-SSTLS)遥感图像场景分类方法。为减少源域和目标域数据分布变化,将不同数据域的遥感图像投影至共享子空间。源域和目标域数据在投影子空间协同学习共享字典,使得带标记的源域数据辅助目标域模型的建立。同时,建立了基于源域、目标域、源域-目标域标记数据的拉普拉斯图矩阵和目标域未标记数据的拉普拉斯正则化项,使得目标域中的数据均得到很好编码。在多个遥感图像数据集上的实验结果均证明了SR-SSTLS方法的有效性。
