Hierarchical Manifold Learning With Applications to Supervised Classification for High-Resolution Remotely Sensed Images
Hierarchical Manifold Learning With Applications to Supervised Classification for High-Resolution Remotely Sensed Images
复制标题
分层流形学习及其在高分辨率遥感图像监督分类中的应用
DOI：
10.1109/tgrs.2013.2253559
复制
发表时间：
2014-03
影响因子：
8.2
通讯作者：
Fang Tao
中科院分区：
文献类型：
--
作者：
Huang HongBing;Huo Hong;Fang Tao
流形学习是一种具有代表性的非线性降维技术，在信息处理领域，特别是模式分类、计算机视觉等领域有着广泛的应用。然而，将其用于监督分类，特别是用于层次分类时，效果仍然不理想。针对这一问题，提出了一种新的有监督的方法，即分层流形学习方法。HML同时考虑训练集的类间标签信息和类内局部结构信息，指导降维过程以达到分类的目的。在这个过程中，我们提取共享特征来表示父流形的信息，并利用广义回归神经网络以相当低的计算代价更好地解决了流形学习的样本外问题，从而使所提出的HML更适合于监督分类。实验结果证明了该算法的可行性和有效性。
Manifold learning is one of the representative nonlinear dimensionality reduction techniques and has had many successful applications in the fields of information processing, especially pattern classification, and computer vision. However, when it is used for supervised classification, in particular for hierarchical classification, the result is still unsatisfactory. To address this issue, a novel supervised approach, namely hierarchical manifold learning (HML) is proposed. HML takes into account both the between-class label information and the within-class local structural information of the training sets simultaneously to guide the dimension reduction process for classification purpose. In this process, we extract sharing features to represent the parent manifold's information, and better solve the out-of-sample problem of manifold learning by using the generalized regression neural network at considerably lower computational cost, thereby making the proposed HML more suitable for supervised classification. Experimental results demonstrate the feasibility and effectiveness of our proposed algorithm.
登录
查看更多内容
DOI：
10.1007/978-1-4757-1904-8_12
发表时间：
1986
期刊：
--
影响因子：
--
作者：
I. Jolliffe
通讯作者：
I. Jolliffe
DOI：
10.1109/tc.1978.1674981
发表时间：
2015
期刊：
--
影响因子：
--
作者：
通讯作者：
--
DOI：
10.1109/cit.2005.139
发表时间：
2005-09
期刊：
The Fifth International Conference on Computer and Information Technology (CIT'05)
影响因子：
--
作者：
Rongjie Shi;I-Fan Shen;Wenbin Chen;Su Yang
通讯作者：
Rongjie Shi;I-Fan Shen;Wenbin Chen;Su Yang
DOI：
10.1109/tpami.2005.55
发表时间：
2005-03-01
影响因子：
23.6
作者：
He, XF;Yan, SC;Zhang, HJ
通讯作者：
Zhang, HJ
影响因子：
2.2
作者：
Olga Kouropteva;O. Okun;M. Pietikäinen
通讯作者：
Olga Kouropteva;O. Okun;M. Pietikäinen