基于多任务联合稀疏和低秩表示的高分辨率遥感图像分类
多任务学习(multitask learning,MTL)是一种利用多个任务间共享信息并行学习以提高模型泛化性能的机器学习方法,研究表明该方法可以提升高分辨率遥感图像的分类精度.提出一种基于多任务联合稀疏和低秩表示(multitask joint sparse and low-rank representation,MJSLR)的高分辨率遥感图像分类模型,并采用加速近似梯度法求解凸的光滑函数和非光滑约束的组合优化问题.实验对比分析了多任务和单任务的学习模型,并比较了MJSLR、多核学习方法和多任务联合稀疏表达方法的图像分类准确率,结果表明多任务学习模型能够获得优于单任务学习模型的分类精度,而且融合低秩约束能够一定程度上提高多任务分类模型的精度.
多任务学习、稀疏表达、低秩结构、遥感图像、图像分类
43
P237(摄影测量学与测绘遥感)
The Major State Basic Research Development Program of China973 Program;No.2012CB719906.国家重点基础研究发展规划973计划2012CB719906
2018-03-26(万方平台首次上网日期,不代表论文的发表时间)
共7页
297-303