Semisupervised Discriminant Feature Learning for SAR Image Category via Sparse Ensemble
Semisupervised Discriminant Feature Learning for SAR Image Category via Sparse Ensemble
复制标题
通过稀疏集成进行 SAR 图像类别的半监督判别特征学习
DOI：
10.1109/tgrs.2016.2519910
复制
发表时间：
2016-02
影响因子：
8.2
通讯作者：
Chen Puhua
中科院分区：
文献类型：
--
作者：
Zhao Zhiqiang;Jiao Licheng;Liu Fang;Zhao Jiaqi;Chen Puhua
地形场景分类在各种合成孔径雷达（SAR）图像理解和判读中起着重要作用。本文提出了一种新的方法来表征SAR图像内容寻址类别与有限数量的标记样本。在该方法中，每个SAR图像补丁的特点是一个判别特征，这是在一个半监督的方式，通过利用备用集成学习过程中产生的。特别是，一个非负稀疏编码过程中应用于给定的SAR图像补丁集生成的特征描述符第一。该集合与有限数量的标记SAR图像补丁和大量的未标记的。然后，提出了一种半监督抽样方法来构造一组弱学习器，其中每个弱学习器都通过逻辑回归过程建模。通过将SAR图像块投影到每个弱学习器上，可以引入判别信息。最后，SAR图像块的特征产生的稀疏集成过程，可以减少多个弱学习器的冗余。实验结果表明，所提出的鉴别特征学习方法可以达到更高的分类精度比几个国家的最先进的方法。
Terrain scene classification plays an important role in various synthetic aperture radar (SAR) image understanding and interpretation. This paper presents a novel approach to characterize SAR image content by addressing category with a limited number of labeled samples. In the proposed approach, each SAR image patch is characterize by a discriminant feature which is generated in a semisupervised manner by utilizing a spare ensemble learning procedure. In particular, a nonnegative sparse coding procedure is applied on the given SAR image patch set to generate the feature descriptors first. The set is combined with a limited number of labeled SAR image patches and an abundant number of unlabeled ones. Then, a semisupervised sampling approach is proposed to construct a set of weak learners, in which each one is modeled by a logistic regression procedure. The discriminant information can be introduced by projecting SAR image patch on each weak learner. Finally, the features of SAR image patches are produced by a sparse ensemble procedure which can reduce the redundancy of multiple weak learners. Experimental results show that the proposed discriminant feature learning approach can achieve a higher classification accuracy than several state-of-the-art approaches.
登录
查看更多内容
基于局部标签上下文集成和成对标签兼容性的条件随机场的 SAR 图像分类
DOI：
10.1109/jstars.2013.2262038
发表时间：
2014
期刊：
JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING
影响因子：
--
作者：
Yongke Ding;Yuanxiang Li;Wenxian Yu
通讯作者：
Wenxian Yu
影响因子：
8.8
作者：
Feng, Zhixi;Ren, Yu;Liu, Hongying;Jiao, Licheng
通讯作者：
Jiao, Licheng
使用聚类邻域核的半监督 SAR 图像变化检测
影响因子：
4.8
作者：
Jia, Lu;Li, Ming;An, Lin
通讯作者：
An, Lin
影响因子：
4.8
作者：
Xin Su;Chu He;Qian Feng;Xinping Deng;Hong Sun
通讯作者：
Xin Su;Chu He;Qian Feng;Xinping Deng;Hong Sun
DOI：
10.1016/j.isprsjprs.2012.03.011
发表时间：
2012-06-01
影响因子：
12.7
作者：
Cutler, M. E. J.;Boyd, D. S.;Vetrivel, A.
通讯作者：
Vetrivel, A.