基于多示例学习方法的遥感影像分类综合分析说明.docVIP

中国科技论文在线   基于多示例学习方法的遥感影像分类 阿里木·赛买提，杜培军** （中国矿业大学地理信息与遥感科学系，江苏新徐州市，221116） 5 10 15 20 25 30 35 40 摘要：本文通过人为选择噪声强烈的训练样本，将 Iterated-APR、MI-SVM、mi-Graph 等多 示例学习方法用于 QuickBird、ALOS 及 ASTER 等卫星影像的像素级分类。试验结果表明， 多示例学习方法能从噪声强烈的训练样本中学到性能优良的分类器，遥感影像分类精度较 好，具有广泛的应用前景。 关键词：多示例；Iterated-APR；MI-SVM；mi-Graph；分类 中图分类号：TP391 Multiple Instance Leraning based Remote Sensing Image Classification Alim.Samat, Du Peijun (Department of Remote Sensing and Geographical Information Science, China University of Mining and Technology, Xuzhou City Jiangsu Province, 221116) Abstract: In this paper, Iterated-APR, MI-SVM and mi-Graph multiple instance learning method was selected to pixle based classify the images of QuickBird, ALOS, and ASTER remote sensing stalites with noisy training samples. The experiment shows that, multiple instance learning method can learn strong classifier from the noisy traing samples, the classification accuracy of remote sensing image is high, it has widely persect in this field. Key words: Multple Instance Learning; Iterated-APR；MI-SVM；mi-Graph; Classification 0 引言 在药物活性预测研究中，对于那些适于制药的分子来说，它们的某个低能形状和期望绑 定区域将耦合的较紧，而对于不适于制药的分子来说，它们和期望绑定区域耦合的不好。由 于每个分子都有很多种可能的低能形状，而生物化学专家只知道哪些分子适于制药，但并不 知道是哪一种低能形状起了决定性作用。如果直接使用传统的监督学习方法，将适于制药分 子的所有低能形状作为正例，将所有不适于制药分子的所有低能形状作为反例，会因正例中 噪声太高而难以正确地学习。为了解决这个难题，T.G.Dietterich 等人将每个分子作为一个 包，将分子的每一种低能形状作为包的一个示例，由此提出了多示例学习的概念[1]。 多示例学习(Multiple Instance Learning, MIL)以包为训练样本，包由无概念标记的若干示 例组成，示例有多维属性特征，学习的目的是预测新包的类别。MIL 训练样本的歧义性与 独特性使其具有处理歧义性问题的独特优势，而这种歧义性问题是以往机器学习方法研究的 一个盲区，因此被视为与强化学习、监督学习、非监督学习并列的第 4 种机器学习框架，并 成为近十多年来国际上机器学习研究的热点[2-5]。作为一种新的机器学习框架，MIL 所具有 的优势最近也引起了高光谱遥感图像分析、遥感图像检索等专家们的兴趣，并表现出广泛的 应用前景[6-8]。本文将 Iterated-APR、MI-SVM、mi-Graph 等经典的多示例学习方法用于遥感 影像分类，拓展机器学习新方法在遥感图像分类中的应用。 作者简介：阿里木·赛买提（1984 年-），男，硕士在读，主要研究方向：遥感图像处理与应用，机器学习 通信联系人：杜培军(1975 年-)，男，教授，博士生导师，主要研究方向：遥感图像处理与模式识别，资源 环境遥感与信息系统，高光谱遥感，地理空间分析与地学计算，地理信息技术集成与应用等. E-mail: dupjrs@126.com -1- 中国科技论文在线   1 多示例学习 多示例学习作为一种新的机器学习框架，其算法研究主要有三个方向：根据多示例问题 的特点建立能够直接处理多示例问题的新算法，如 APR、DD、EMD