|
【读论文】An effective approach for land-cover classification from airborne lidar fused with co-registered data(2012)
一种有效的机载激光雷达土地覆盖分类方法
Yicong Zhou, Senior Member
Doi:10.1109/JSTARS.2014.2359965
摘要
极限学习机（ELM）由于其简单、快速和良好的泛化能力，近年来在模式识别和机器学习领域引起了越来越多的关注。为了研究ELM在高光谱图像上的性能，提出了两种空间-光谱复合核（CK）ELM分类方法。在所提出的CK框架中，单个空间核或谱核分别由基于激活函数的核和一般高斯核组成。所提出的方法继承了ELM的优点，并具有直接实现多类分类的解析解。在三个基准高光谱数据集上的实验结果表明，所提出的基于CK的ELM方法优于一般的ELM、SVM和基于CK的SVM方法。
关键词
复合核（CK）、极限学习机（ELM）、高光谱图像（HSI）分类
结论
在本文中，我们提出了一个新的ELM与CK框架的HSI分类。特别地，使用基于空间和谱激活函数的核或一般高斯核的线性组合，在联合空间-谱数据上执行ELM。实验结果表明，所提出的ELM-CK和KELM-CK在HSIS的空间-光谱分类中比基准SVM-CK更准确，速度更快。
1.该论文研究了什么？
一种基于复合核函数的极限学习机在高光谱图像的分类方法
2.创新点在哪？
基于ELM对高光谱图像进行了联合空间-光谱信息的分类，时间更短，泛化能力更强。
3.研究方法是什么？
提取HSI的空间像素相关性特征结合光谱特征，计算空间核函数和光谱核函数，组合形成复合核函数，最后使用极限学习机进行分类。采用三个不同的数据集同时进行三折交叉验证，将得到的最优最优参数用作训练和测试对比普通的ELM分类、SVM分类、SVM-CK分类方法的精度。
4.得到的结论是什么？
1.在计算区域纹理特征时，窗口宽度在7一下各种分类方法效果均表现较差，窗口宽度在11以上时，ELM效果较好，KELM-CK方法在不同窗口大小下分类结果稳定优质，证明了ELM解决方法的良好泛化性能。
2.KELM-CK搜索最优惩罚系数c的时间优于SVM-CK和ELM-CK,且KELM-CK的分类精度最高
[1] Zhou Y , Peng J , Chen C . Extreme Learning Machine With Composite Kernels for Hyperspectral Image Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 8(6):2351-2360.
|