项目名称: 高光谱图像分类的流形学习和非负矩阵分解特征降维研究

项目编号: No.61301196

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 温金环

作者单位: 西北工业大学

项目金额: 25万元

中文摘要: 为消除非线性、训练样本不足、特征空间维数过高、波段间强相关性这些因素对高光谱图像分类的不利影响,本项目研究适合高光谱图像分类的流形学习和流形正则NMF特征降维算法,以揭示高光谱数据的流形分布,增强特征提取有效性,提高分类精度。 项目的创新之处:发展融入空间信息的非线性流形学习特征降维理论与方法,可处理大尺度高光谱数据;发展基于线性图嵌入模型的、不需要PCA预处理的线性流形学习特征降维理论与方法,实现了小样本情况下的高光谱图像特征降维;发展基于稀疏模型的流形学习特征降维理论与方法,避免了模型参数的调节,更利于实际应用;基于流形标准和数据非负分解标准发展同时考虑数据几何结构及其判别信息的快速优化流形正则稀疏NMF及流形正则PNMF理论与方法,提高了收敛速度,降低了计算复杂度低,更适合高光谱这样的高维数据。 本项目为高光谱图像特征降维引入了新的研究思路和方法,丰富发展了高光谱图像特征降维的理论。

中文关键词: 流形学习;非负矩阵分解;特征提取;降维;高光谱图像

英文摘要: Hyperspectral image classification was greatly affected by the nonlinear structure of hyperspectral image data, small number of training samples, high dimensionality of feature space, and strong inter-band relativity. In order to eliminate these influences on hyperspectral image classification, this project aims at studying feature dimensionality reduction by manifold learning and manifold regularized nonnegative matrix factorization to reveal the manifold distribution of hyperspectral image data, enhance the efficiency of feature extraction, and improve the classification accuracy. The novelties of this project are the following: Firstly, we will develop the nonlinear manifold learning method which not only integrate the spatial information into feature extraction step but also can handle large scale hyperspectral image data. Secondly, based on linear graph embedding, we will study the linear manifold learning feature extraction method which suit small-sample-size problem without the PCA preprocessing step. Thirdly, we will develop manifold learning theory and method based on sparse representation which avoid adjusting the model parameters and is more conducive to the practical application. Finally, based on manifold criterion and nonnegative factorization criterion, we will study manifold regularized sparse n

英文关键词: manifold learning;non-negative matrix factorization;feature extraction;dimensionality reduction;hyperspectral image

成为VIP会员查看完整内容
0

相关内容

流形学习,全称流形学习方法(Manifold Learning),自2000年在著名的科学杂志《Science》被首次提出以来,已成为信息科学领域的研究热点。在理论和应用上,流形学习方法都具有重要的研究意义。假设数据是均匀采样于一个高维欧氏空间中的低维流形,流形学习就是从高维采样数据中恢复低维流形结构,即找到高维空间中的低维流形,并求出相应的嵌入映射,以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质,找到产生数据的内在规律。
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
卷积神经网络压缩中的知识蒸馏技术综述
专知会员服务
54+阅读 · 2021年10月23日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
121+阅读 · 2021年4月29日
124页哈佛数学系本科论文,带你了解流形学习的数学基础
专知会员服务
44+阅读 · 2020年12月23日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
一文归纳AI数据增强之法
极市平台
2+阅读 · 2022年1月11日
深度学习模型压缩算法综述
极市平台
1+阅读 · 2021年12月3日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
一文看懂常用特征工程方法
AI研习社
17+阅读 · 2018年5月2日
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
CNN 模型压缩与加速算法综述
机器学习研究会
16+阅读 · 2017年8月25日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2022年4月20日
Tikhonov Regularization of Circle-Valued Signals
Arxiv
1+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月19日
小贴士
相关VIP内容
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
卷积神经网络压缩中的知识蒸馏技术综述
专知会员服务
54+阅读 · 2021年10月23日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
121+阅读 · 2021年4月29日
124页哈佛数学系本科论文,带你了解流形学习的数学基础
专知会员服务
44+阅读 · 2020年12月23日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
一文归纳AI数据增强之法
极市平台
2+阅读 · 2022年1月11日
深度学习模型压缩算法综述
极市平台
1+阅读 · 2021年12月3日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
一文看懂常用特征工程方法
AI研习社
17+阅读 · 2018年5月2日
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
CNN 模型压缩与加速算法综述
机器学习研究会
16+阅读 · 2017年8月25日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员