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
无线层析成像(radio tomographic imaging,RTI)技术作为无设备目标定位(device-free localization,DFL)的主要方式之一,在被定位目标不携带任何定位装置的情况下仍能实现定位,具有广泛的应用前景.但由于接收信号强度(received signal st...无线层析成像(radio tomographic imaging,RTI)技术作为无设备目标定位(device-free localization,DFL)的主要方式之一,在被定位目标不携带任何定位装置的情况下仍能实现定位,具有广泛的应用前景.但由于接收信号强度(received signal strength,RSS)信息容易受到环境变化和噪声的影响,RTI成像图上往往不可避免地存在着背景噪点,有时甚至还有伪目标出现在图像上.为了提高RTI成像质量,本文提出一种基于核主成分分析(kernel principal component analysis,KPCA)的增强型RTI方法,该方法利用KPCA的学习能力来提取有效受目标影响的链路特征信息,从而达到克服噪声影响和提高定位精度的目的.室内外实验结果表明,该方法的成像质量和定位精度都要优于现有RTI方法.展开更多
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。
文摘无线层析成像(radio tomographic imaging,RTI)技术作为无设备目标定位(device-free localization,DFL)的主要方式之一,在被定位目标不携带任何定位装置的情况下仍能实现定位,具有广泛的应用前景.但由于接收信号强度(received signal strength,RSS)信息容易受到环境变化和噪声的影响,RTI成像图上往往不可避免地存在着背景噪点,有时甚至还有伪目标出现在图像上.为了提高RTI成像质量,本文提出一种基于核主成分分析(kernel principal component analysis,KPCA)的增强型RTI方法,该方法利用KPCA的学习能力来提取有效受目标影响的链路特征信息,从而达到克服噪声影响和提高定位精度的目的.室内外实验结果表明,该方法的成像质量和定位精度都要优于现有RTI方法.
