项目名称: 基于知识迁移的多时相高分辨率遥感影像分类方法研究

项目编号: No.41301393

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 天文学、地球科学

项目作者: 岳安志

作者单位: 中国科学院遥感与数字地球研究所

项目金额: 25万元

中文摘要: 高分辨率遥感影像是获取土地覆被/利用现状和变化信息的重要数据源。基于不同时期单时相影像的重复分类方法知识共享率低,且没有充分利用多时相影像中蕴含的时间维和空间维信息。本项目以同一地区、不同时间获取的多时相高分辨率遥感影像为研究对象,引入机器学习中的迁移学习方法,重点研究多时相高分辨率遥感影像分类训练样本和特征的知识迁移方法,实现单一时相影像中的训练样本和分类特征向另一时相影像迁移;针对多时相高分辨率遥感影像同一地类存在光谱差异的特点,研究基于条件随机场和高斯混合模型的多时相影像时空特征表达方法,挖掘识别多时相影像典型地类的不变特征;最后研究知识迁移支撑的典型地类分类方法,以及基于知识规则推理控制策略的多特征及分类规则迁移学习方法。通过本项目的研究,确立基于知识迁移的多时相高分辨率影像分类技术体系,提高多时相影像分类效率和精度,促进高分辨率遥感在土地覆被/利用信息提取的深入应用与发展。

中文关键词: 迁移学习;监督分类;训练样本选择;特征提取;隐马尔可夫模型

英文摘要: High spatial resolution satellite (HSRS) images are important source data for extracting information of land-cover/use. The classification knowledge shares rate is low for multi-temporal images by classifying repeatedly single-phase image acquired on the same area, and does not take full advantage of image information in time and space dimension. This project takes HSRS images acquired on the same area at different times as the research object, and introduces the transfer learning methods of machine learning firstly, focusing on the methods of the knowledge transfer of training samples and features for multi-temporal HSRS images supervised classification, achieving a method that can transfer training samples and features of a single-phase image to another phase image; Secondly, for the spectral differences of the same class in multi-temporal HSRS images, based on Conditional Random Fields and Gaussian Mixture Models, mainly researches on multi-temporal images space-time characteristics expression methods and the mining of invariant image features of typically classes; Finally, researches the typically classes classification supported by knowledge transfer, and transfer learning of multi-features and classification rules based on the knowledge rule reasoning control strategy. From our research, establishes multi-

英文关键词: transfer learning;supervised classification;training sample selection;feature extraction;hidden markov model

成为VIP会员查看完整内容
1

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
顾及时空特征的地理知识图谱构建方法
专知会员服务
53+阅读 · 2022年2月15日
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
专知会员服务
27+阅读 · 2021年10月6日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
37+阅读 · 2020年8月19日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
如何解决工业缺陷检测小样本问题?
极市平台
6+阅读 · 2022年2月24日
半监督目标检测相关方法总结
极市平台
3+阅读 · 2022年2月2日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14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
图像分割的U-Net系列方法
极市平台
56+阅读 · 2019年10月21日
AI如何帮助卫星遥感释放价值?
未来论坛
19+阅读 · 2018年8月8日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013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
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月15日
Meta-Transfer Learning for Zero-Shot Super-Resolution
Arxiv
43+阅读 · 2020年2月27日
Arxiv
19+阅读 · 2018年3月28日
小贴士
相关VIP内容
顾及时空特征的地理知识图谱构建方法
专知会员服务
53+阅读 · 2022年2月15日
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
专知会员服务
27+阅读 · 2021年10月6日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
37+阅读 · 2020年8月19日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关资讯
如何解决工业缺陷检测小样本问题?
极市平台
6+阅读 · 2022年2月24日
半监督目标检测相关方法总结
极市平台
3+阅读 · 2022年2月2日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14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
图像分割的U-Net系列方法
极市平台
56+阅读 · 2019年10月21日
AI如何帮助卫星遥感释放价值?
未来论坛
19+阅读 · 2018年8月8日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013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
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员