为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网...为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网络演化算法的叠置分割获取多时相高分遥感影像的影像对象,通过卷积神经网络提取遥感影像的深度空间特征,并与灰度、指数和纹理等传统影像对象特征联合构建特征空间;然后,利用卡方变换计算多维特征的加权特征差异度,采用最大期望算法和贝叶斯最小错误判别规则得到二值分割结果,依据变化概率自动将分割结果中准确率较高的部分标记为训练样本;最后,采用标记训练样本获得TSVM的多维特征空间二值分割超平面,进而完成自动变化检测。选择武汉市的两组高分数据集作为实验数据。实验结果表明,该方法能够实现样本自动选择,并且通过融合深度空间特征可以有效提高特征学习的充分性,平均准确率达到了88.84%,平均漏检率较仅利用传统影像对象特征的TSVM法降低了3.29个百分点,在定性和定量的变化检测有效性评价中均得到了提高。展开更多
In many machine learning problems, a large amount of data is available but only a few of them can be labeled easily. This provides a research branch to effectively combine unlabeled and labeled data to infer the label...In many machine learning problems, a large amount of data is available but only a few of them can be labeled easily. This provides a research branch to effectively combine unlabeled and labeled data to infer the labels of unlabeled ones, that is, to develop transductive learning. In this article, based on Pattern classification via single sphere （SSPC）, which seeks a hypersphere to separate data with the maximum separation ratio, a progressive transductive pattern classification method via single sphere （PTSSPC） is proposed to construct the classifier using both the labeled and unlabeled data. PTSSPC utilize the additional information of the unlabeled samples and obtain better classification performance than SSPC when insufficient labeled data information is available. Experiment results show the algorithm can yields better performance.展开更多
针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值...针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.展开更多
文摘为了解决直推式支持向量机(transductive support vector machines,TSVM)在样本选择自动化程度低和特征学习充分性不足的问题,提出了一种融合深度空间特征与传统影像对象特征的TSVM自动高分遥感影像变化检测方法。首先,采用基于分形网络演化算法的叠置分割获取多时相高分遥感影像的影像对象,通过卷积神经网络提取遥感影像的深度空间特征,并与灰度、指数和纹理等传统影像对象特征联合构建特征空间;然后,利用卡方变换计算多维特征的加权特征差异度,采用最大期望算法和贝叶斯最小错误判别规则得到二值分割结果,依据变化概率自动将分割结果中准确率较高的部分标记为训练样本;最后,采用标记训练样本获得TSVM的多维特征空间二值分割超平面,进而完成自动变化检测。选择武汉市的两组高分数据集作为实验数据。实验结果表明,该方法能够实现样本自动选择,并且通过融合深度空间特征可以有效提高特征学习的充分性,平均准确率达到了88.84%,平均漏检率较仅利用传统影像对象特征的TSVM法降低了3.29个百分点,在定性和定量的变化检测有效性评价中均得到了提高。
基金supported by the National Natural Science of China(6057407560705004).
文摘In many machine learning problems, a large amount of data is available but only a few of them can be labeled easily. This provides a research branch to effectively combine unlabeled and labeled data to infer the labels of unlabeled ones, that is, to develop transductive learning. In this article, based on Pattern classification via single sphere （SSPC）, which seeks a hypersphere to separate data with the maximum separation ratio, a progressive transductive pattern classification method via single sphere （PTSSPC） is proposed to construct the classifier using both the labeled and unlabeled data. PTSSPC utilize the additional information of the unlabeled samples and obtain better classification performance than SSPC when insufficient labeled data information is available. Experiment results show the algorithm can yields better performance.
文摘针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.
