该项成果在多光谱遥感影像分类中，引入半监督学习期望利用大量未标记样本辅助少量标记样本进行学习，从而提高分类效果。但是，实验表明在分析过程中大量的未标记样本会导致估计偏差。研究证明，半监督学习和增量学习相结合，采用合理的数据选择策略，可以部分地解决以上问题，提高半监督学习的性能。然而，在增量学习过程中，不断选择样本进行标记时，重复学习已经学习过的知识，可能会引起稳定性/可塑性两难问题。为了避免重复学习，利用半监督学习对多光谱遥感图像分类时，同时应用增量学习和减量学习有效地平衡了以上问题。从而，提出一种增/减量式半监督吸引子传播模型。实验结果表明，从总体精度上都优于两种常用的半监督聚类算法及增量式吸引子传播算法。同时，也可以和简单的监督学习算法相竞争。增/减量式半监督吸引子传播有效地解决了半监督学习中学习偏差问题和稳定性/可塑性两难问题，提高了多光谱遥感图像分类的精度；为如何更加有效地利用仅有的少量标记样本对大量未标记样本进行分析提供了新的手段和方法；深化了吸引子传播和半监督学习在多光谱遥感图像分类方面的应用研究。 以上研究成果发表在遥感图像处理国际知名杂志IEEE Transations on Geoscience and Remote Sensing(IEEE TGRS) (2013,51(3), 1666-1679) (IF 3.467)上。研究成果已被国际重要期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEETPAMI)(IF5.781), IEEE TGRS (IF 3.514)、IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (IEEEJSTARS)(IF 3.026)等期刊论文引用；武汉大学“”特聘教授，973首席科学家张良培教授在发表于IEEE TGRS (2015,53(8), 4202-4217)中多次引用了代表性成果中涉及的工作。美国德克萨斯大学Haris Vikalo教授发表于IEEE PAMI (2015,37(5),1041-1052)中的论文对该项研究成果的工作进行了大段引用。 |
