遙感圖像監督分類是土地利用土地覆蓋製圖、地表覆被變化監測中最為常用的手段,
然而監督分類方法的性能嚴重依賴於訓練樣本的大小、分佈位置、統計分佈特性,
以及對資料特徵的可區分描述能力等等。
在利用多時相遙感圖像進行土地利用土地覆蓋製圖、地表覆被變化監測中,
不同時期圖像在成像幾何、輻射、大氣、光照及物候條件上的差異會帶來資料統計分佈特性的變化,
進而造成利用前一期遙感圖像獲取的訓練樣本訓練的模型在後一期遙感圖像分類性能的降低。
這種現象在模式識別和機器學習領域被稱為相關變數變異(covariate shift)或sample selection bias (選擇樣本偏差),
通常採用遷移學習(Transfer learning, TL)中的域自我調整(Domain adaptation, DA)加以控制或解決。
然而,
目前絕大多數研究工作都在“源領域(Source domain, SD)和目標領域(Target domain, TD)由同一類型且維數相等的特徵描述”這一假設前提下進行,
這限制了遷移學習、域自我調整方法在異域自我調整(Heterogeneous domain adaptation, HDA)遙感圖像分類中的應用。
如絕大多數現有的域自我調整方法在“有訓練樣本的源領域遙感圖像由Landsat MSS感測器獲取,
4個波段,
空間解析度60米,
而目標領域遙感圖像有AVIRIS高光譜感測器,
224個波段,
空間解析度為20米”情況下無法發揮作用。
為此,
中國科學院新疆生態與地理研究所中亞合作與協調發展研究室研究員吉力力·阿不都外力團隊成員阿裡木·賽買提利用多視圖典型相關分析法(Multi view canonical correlation analysis)獲取多相關子空間來聯合表達源-目標領域間的關聯性,
並基於集成學習(Ensemble learning, EL)的集成策略提出了基於典型相關分析權重投票(Canonical correlation weighted voting, CCWV)集成方法,
即監督多視圖典型相關分析集成異域自我調整遙感圖像分類方法。
並在此基礎上利用加速譜回歸核判別分析(Speed-up spectral regression kernel discriminant analysis,
SRKDA)提出了半監督多視圖典型相關分析集成異域自我調整遙感圖像分類方法。
特別聲明:本文轉載僅僅是出於傳播資訊的需要,
並不意味著代表本網站觀點或證實其內容的真實性;如其他媒體、網站或個人從本網站轉載使用,
須保留本網站注明的“來源”,
並自負版權等法律責任;作者如果不希望被轉載或者聯繫轉載稿費等事宜,
請與我們接洽。