Gaussian Process Graph-Based Discriminant Analysis for Hyperspectral Images Classification
Gaussian Process Graph-Based Discriminant Analysis for Hyperspectral Images Classification
复制标题
基于高斯过程图的高光谱图像分类判别分析
DOI：
10.3390/rs11192288
复制
发表时间：
2019-09
期刊：
影响因子：
--
通讯作者：
Zhihua Cai
中科院分区：
文献类型：
--
作者：
Xin Song;Xinwei Jiang;Junbin Gao;Zhihua Cai
分辨率降低（DR）模型对于处理高光谱图像（HSI）分类任务非常有用。它们主要解决两个问题：关于光谱特征的维数灾难，以及有限数量的标记训练样本。在这些DR技术中，图嵌入判别分析（GEDA）框架已经证明了其对HSI特征提取的有效性。然而，大多数现有的基于GEDA的DR方法在很大程度上依赖于手动调整参数，以获得最佳的模型，这被证明是麻烦和效率低下。受非参数高斯过程（GP）模型的启发，我们提出了一种新的监督DR算法，即基于高斯过程图的判别分析（GPGDA）。该算法充分利用GP中的协方差矩阵，在GEDA框架下构造图的相似性矩阵。通过这种方式，可以通过自动调整模型参数来提供更优越的上级性能。在三个真实的HSI数据集上的实验表明，该方法优于一些经典的和最先进的DR方法。
Dimensionality Reduction (DR) models are highly useful for tackling Hyperspectral Images (HSIs) classification tasks. They mainly address two issues: the curse of dimensionality with respect to spectral features, and the limited number of labeled training samples. Among these DR techniques, the Graph-Embedding Discriminant Analysis (GEDA) framework has demonstrated its effectiveness for HSIs feature extraction. However, most of the existing GEDA-based DR methods largely rely on manually tuning the parameters so as to obtain the optimal model, which proves to be troublesome and inefficient. Motivated by the nonparametric Gaussian Process (GP) model, we propose a novel supervised DR algorithm, namely Gaussian Process Graph-based Discriminate Analysis (GPGDA). Our algorithm takes full advantage of the covariance matrix in GP to constructing the graph similarity matrix in GEDA framework. In this way, more superior performance can be provided with the model parameters tuned automatically. Experiments on three real HSIs datasets demonstrate that the proposed GPGDA outperforms some classic and state-of-the-art DR methods.
登录
查看更多内容
影响因子：
3.2
作者：
Abdi, Herve;Williams, Lynne J.
通讯作者：
Williams, Lynne J.
影响因子：
4.8
作者：
Q. Du
通讯作者：
Q. Du
DOI：
10.1109/tgrs.2013.2277251
发表时间：
2014-07-01
影响因子：
8.2
作者：
Ly, Nam Hoai;Du, Qian;Fowler, James E.
通讯作者：
Fowler, James E.
影响因子：
3.7
作者：
T. Burr
通讯作者：
T. Burr
DOI：
10.1049/iet-bmt.2018.5117
发表时间：
2016
期刊：
IET Biom.
影响因子：
--
作者：
Sheng He;Lambert Schomaker
通讯作者：
Sheng He;Lambert Schomaker