طبقه بندی طیفی - مکانی نیمه نظارت شده تصویر ابر طیفی با رگرسیون لجستیک چند جمله ای چند سطحی و یادگیری فعال

این مقاله یک الگوریتم طبقه بندی طیفی - مکانی نیمه نظارت شده جدید برای داده های با ابعاد بالا از جمله داده های تصویر ابر طیفی سنجش از دور ارائه می کند. الگوریتم پیشنهادی دو مرحله اصلی دارد 1- یادگیری نیمه نظارت شده براساس توزیع های پسین کلاس، پس از آن 2- طبقه بندی طیفی - مکانی براساس میدان های تصادفی مارکوف، توزیع های پسین کلاس با استفاده از رگرسیون لجستیک چند جمله ای MLR که در آن رگرسیون با استفاده از نمونه های آموزشی و نمونه های بی نام که از طریق روش گراف، آموزش داده شده است، مدل سازی می شوند. نمونه های بی نام به صورت فعال براساس آنتروپی کلاس متناظر جهت آموزش انتخاب می شوند. طبقه بندی بیشینه پسین MAP با استفاده از الگوریتم بهینه سازی گستره آلفا عدد صحیح مبتنی بر graph-cuts استفاده شده است. نتایج تجربی مجموعه داده های تصویر ابر طیفی واقعی نشان می دهند که صحت طبقه بندی روش پیشنهادی مشابه یا بالاتر از صحت طبقه بندی سایر روش های نظارت شده برای مناظر بررسی شده می باشد. استفاده از اطلاعات مکانی در انتخاب نمونه های آموزشی جدید روشهای نیمه نظارت شده، بسیار موثر است .

کلیدواژه ها:

طبقه بندی تصویر ابر طیفی ، یادگیری نیمه نظارت شده ، رگرسیون لجستیک چند جمله ای ، میدان تصادفی مارکوف ، مدل لجستیک چند سطحی