亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于元學(xué)習(xí)和K均值聚類的高分遙感影像變化檢測(cè)

        2024-01-05 11:10:26許自昌
        遙感信息 2023年5期
        關(guān)鍵詞:特征模型

        許自昌

        (1.中國(guó)地質(zhì)大學(xué) 資源學(xué)院,武漢 430074;2.福建省地質(zhì)測(cè)繪院遙感中心,福州 350011)

        0 引言

        地表覆蓋變化檢測(cè)與信息提取是測(cè)繪、規(guī)劃和土地等相關(guān)機(jī)構(gòu)和職能部門日常工作的基礎(chǔ)環(huán)節(jié),對(duì)提升城市管理水平、促進(jìn)土地集約利用、改善人居環(huán)境具有重要意義[1-2]。隨著遙感數(shù)據(jù)獲取技術(shù)的不斷進(jìn)步,高分影像數(shù)據(jù)成為包括地表變化檢測(cè)在內(nèi)的各種應(yīng)用的主流數(shù)據(jù)源,但空間分辨率提高使高分影像的光譜異質(zhì)性增大,“同物異譜”“異物同譜”、陰影與細(xì)小地物對(duì)信息提取的干擾更為嚴(yán)重,基于高分影像的變化檢測(cè)也更具挑戰(zhàn)性[3]。

        基于機(jī)器學(xué)習(xí)的方法是當(dāng)前變化檢測(cè)領(lǐng)域的研究熱點(diǎn),但是面對(duì)復(fù)雜多變的高分影像場(chǎng)景,單一的分類算法和固有的優(yōu)化策略在高分影像變化檢測(cè)中并未展現(xiàn)出良好的泛化性能,難以適合用于所有類別的地表變化信息提取。近年來部分學(xué)者采用集成學(xué)習(xí)算法進(jìn)行土地利用和土地覆蓋信息提取[4-6],均取得了較理想的檢測(cè)效果。集成學(xué)習(xí)是指對(duì)若干個(gè)個(gè)體學(xué)習(xí)器進(jìn)行訓(xùn)練,再采用一定的結(jié)合策略,充分利用各學(xué)習(xí)器的特性,形成一個(gè)強(qiáng)學(xué)習(xí)器。集成模型構(gòu)建過程一般包括個(gè)體學(xué)習(xí)器生成和學(xué)習(xí)器組合輸出兩個(gè)步驟。常用的個(gè)體學(xué)習(xí)器生成策略有boosting[7]、bagging[8]、RSM[9]。boosting策略是通過算法迭代提升個(gè)體學(xué)習(xí)器精度,以加權(quán)平均形式輸出學(xué)習(xí)器組合模型的集成方案,更關(guān)注偏差降低。相較boosting策略,bagging更關(guān)注降低方差以增強(qiáng)個(gè)體學(xué)習(xí)器的多樣性。而RSM的特征空間抽取是比boosting的數(shù)據(jù)重賦權(quán)和bagging樣本抽取更有效地提升基學(xué)習(xí)器多樣性的策略。學(xué)習(xí)器組合方法可分為全員組合法和選擇組合法兩類。選擇組合法的相關(guān)研究較少,常用的全員組合法有投票法[10]、基于D-S證據(jù)理論的方法[11]、基于元學(xué)習(xí)的方法[12]等,其中元學(xué)習(xí)算法是一類將個(gè)體學(xué)習(xí)器產(chǎn)生過程和組合過程相結(jié)合的策略,通過將人工先驗(yàn)知識(shí)獲取的手工特征翻譯為機(jī)器更易理解的抽象特征,對(duì)原始訓(xùn)練集進(jìn)行特征重構(gòu)或合并,提升數(shù)據(jù)集的線性可分性。部分研究表明當(dāng)原始數(shù)據(jù)特征維度較低時(shí),將原始特征集與初級(jí)學(xué)習(xí)器產(chǎn)生的特征集組合重構(gòu),可擬合效果更佳的次級(jí)學(xué)習(xí)器判別模型。

        鑒于此,本文從監(jiān)督變化檢測(cè)算法的時(shí)間復(fù)雜度角度切入,提出一種基于元學(xué)習(xí)同/異質(zhì)混合集成和K-means聚類分析的兼顧算法精度與效率的高分影像變化檢測(cè)模型,利用K-means聚類分析完成堆疊的訓(xùn)練集分割出訓(xùn)練子樣本集,提供多元次級(jí)學(xué)習(xí)器提煉輸出層的最終決策邊界,并利用雙重約束濾波優(yōu)化初檢結(jié)果,從算法運(yùn)行效率、泛化性能和檢測(cè)精度3個(gè)維度確保變化檢測(cè)結(jié)果魯棒可靠,為相關(guān)領(lǐng)域研究與工程實(shí)踐提供新的技術(shù)實(shí)現(xiàn)途徑,具有重要的理論意義與應(yīng)用價(jià)值(圖1)。

        圖1 基于元學(xué)習(xí)和K-means聚類的變化檢測(cè)

        1 研究方法

        本文選用梯度提升樹、隨機(jī)森林和極端隨機(jī)樹作為元學(xué)習(xí)的初級(jí)(組件)學(xué)習(xí)器。先通過5折交叉驗(yàn)證分別訓(xùn)練各組件學(xué)習(xí)器,并對(duì)原始訓(xùn)練集和測(cè)試集進(jìn)行預(yù)測(cè),將各組件學(xué)習(xí)器的概率預(yù)測(cè)標(biāo)簽作為抽象特征與原始樣本集的手工特征進(jìn)行組合重構(gòu),再通過K-means算法對(duì)重構(gòu)的訓(xùn)練樣本集進(jìn)行聚類分析,得到K個(gè)重構(gòu)訓(xùn)練樣本子集擬合邏輯回歸算法,輸出多元次級(jí)學(xué)習(xí)器,完成分類器混合集成模型的構(gòu)建,最后測(cè)試階段首先度量重構(gòu)測(cè)試樣本集中每個(gè)待分類像元與K個(gè)聚類中心的歐式距離,就近選擇判別像元的次級(jí)學(xué)習(xí)器完成最終分類。

        1.1 基于K-means聚類和元學(xué)習(xí)的變化檢測(cè)算法

        1)基于交叉驗(yàn)證的樣本集特征空間重構(gòu)。為提升元學(xué)習(xí)的泛化能力,避免過擬合現(xiàn)象,通過交叉驗(yàn)證的形式分段訓(xùn)練初級(jí)學(xué)習(xí)器進(jìn)行樣本集特征空間重構(gòu)。交叉驗(yàn)證元學(xué)習(xí)算法流程如下。

        設(shè)原始訓(xùn)練樣本集RO為N×P維矩陣(N個(gè)樣本,每個(gè)樣本有P維特征),原始測(cè)試樣本集EO為M×P維矩陣,初級(jí)學(xué)習(xí)器(算法)為{Y1,Y2,…,YQ}(其中1,2,…,Q代表不同的初級(jí)學(xué)習(xí)器算法),次級(jí)學(xué)習(xí)器(算法)為L(zhǎng),元學(xué)習(xí)集成模型的目標(biāo)就是通過初級(jí)學(xué)習(xí)器將RO和EO分別重構(gòu)為N×(P+Q)維的堆疊訓(xùn)練樣本集RF和N×(P+Q)維的堆疊測(cè)試樣本集EF,然后基于RF擬合次級(jí)學(xué)習(xí)器L,最后通過L處理EF輸出集成模型最終判別結(jié)果。

        單種初級(jí)學(xué)習(xí)器的樣本集交叉驗(yàn)證重構(gòu)過程如圖2所示。首先對(duì)原始訓(xùn)練樣本集RO進(jìn)行5折劃分,復(fù)制5組大小相同的樣本集(圖2上部),每組樣本集包括1折臨時(shí)訓(xùn)練集(4份藍(lán)色訓(xùn)練集構(gòu)成)和1折臨時(shí)測(cè)試集(1份橙色測(cè)試集),前者的樣本數(shù)是后者的4倍;其中,5組臨時(shí)測(cè)試集(橙色)互不重疊。利用第1折臨時(shí)訓(xùn)練集擬合初級(jí)學(xué)習(xí)器算法Y1得到分類模型M11,并通過M11預(yù)測(cè)該折臨時(shí)測(cè)試集和原始測(cè)試樣本集的標(biāo)簽,分別得到A11和B11,A11對(duì)應(yīng)的位置索引為原始訓(xùn)練樣本集中的后N/5條樣本。同理分別采用另外4折樣本集訓(xùn)練-測(cè)試得到A12、A13、A14、A15并結(jié)合A11構(gòu)成N×1維特征,將新特征加入RO構(gòu)成新的訓(xùn)練樣本集Rs(N×(P+1)維)。相應(yīng)地,將B11、B12、B13、B14、B15組合成5維特征,計(jì)算它們的均值,產(chǎn)生M×1維新特征加入原始測(cè)試樣本集EO中構(gòu)成新的測(cè)試樣本集Es(M×(P+1)維)。至此完成第一種初級(jí)學(xué)習(xí)器算法Y1的特征重構(gòu)過程,同法獲取另外Q-1種學(xué)習(xí)算法的重構(gòu)特征,組合最終的堆疊訓(xùn)練樣本集RZ和堆疊測(cè)試樣本集EZ,通過RZ訓(xùn)練次級(jí)學(xué)習(xí)器對(duì)EZ進(jìn)行最終判別。

        圖2 基于5折交叉驗(yàn)證的元學(xué)習(xí)初級(jí)學(xué)習(xí)器生成過程

        2)初級(jí)學(xué)習(xí)器的選擇。為權(quán)衡算法效率、泛化性能和分類精度,保證元學(xué)習(xí)集成模型的變化檢測(cè)結(jié)果魯棒可靠,本文綜合利用集成學(xué)習(xí)中的boosting和bagging的優(yōu)點(diǎn),選用梯度提升樹(gradient boosting decision tree,GBDT)、隨機(jī)森林(random forest,RF)和極端隨機(jī)樹(extreme random tree,ERT)3種集成算法構(gòu)建元學(xué)習(xí)的初級(jí)層。

        ①梯度提升樹。GBDT是集成學(xué)習(xí)提升策略的代表算法,可用于處理回歸和分類問題,但基學(xué)習(xí)器都僅采用CART回歸樹。由于大多數(shù)損失函數(shù)的優(yōu)化過程較為復(fù)雜,Friedman[13]提出通過求解損失函數(shù)的負(fù)梯度來逼近損失函數(shù)值最優(yōu)解的優(yōu)化方案,擬合回歸樹構(gòu)建新的集成模型。基于此更新基學(xué)習(xí)器,可以降低基學(xué)習(xí)器的偏差,提升集成模型精度,本文選用GBDT作為元學(xué)習(xí)混合集成模型的一種初級(jí)學(xué)習(xí)器。在變化檢測(cè)二分類中,GBDT選用二項(xiàng)似然函數(shù)構(gòu)建損失函數(shù),然后計(jì)算它的負(fù)梯度值gm(xi),并通過gm(xi)擬合一棵包含J個(gè)葉節(jié)點(diǎn)的CART回歸樹,最后通過更新強(qiáng)學(xué)習(xí)器輸出最終集成模型FM(x)。

        在測(cè)試階段,對(duì)于任一待分類像元xt,集成模型對(duì)其的預(yù)測(cè)值為p=FM(xt),通過二項(xiàng)似然對(duì)數(shù)將預(yù)測(cè)數(shù)值映射為二分類概率標(biāo)簽。由式(1)計(jì)算出變化像元xt的概率P+(xt),則可判別未變化像元的概率為1-P+(xt)。

        (1)

        ②隨機(jī)森林。bagging策略中最常用的算法是隨機(jī)森林,本文選用C4.5決策樹作為RF的基學(xué)習(xí)器。RF基于bagging的自主采樣策略,在運(yùn)算過程中由于隨機(jī)過程的引入,RF的算法運(yùn)行效率和泛比性能顯著提升,且對(duì)數(shù)據(jù)缺失不敏感,因此bagging是一種非常高效的集成策略。

        ③極端隨機(jī)樹。ERT是一種隨機(jī)森林的變種算法。ERT中沿用RF中的自助采樣和隨機(jī)特征子集策略,在決策樹擬合過程中,仍然通過信息增益率搜索每層決策樹樁的最佳分裂特征fi,但分裂特征值si則是在原始樣本集中特征f的所有取值里隨機(jī)選擇一個(gè)。由于ERT在生成過程中引入更多的隨機(jī)過程,在集成模型泛化性能方面通常優(yōu)于RF。

        3)基于K-means聚類分析的多元次級(jí)學(xué)習(xí)器。本文選用boosting算法(GBDT)和兩種bagging算法(RF和ERT)構(gòu)建元學(xué)習(xí)算法的第1層,重構(gòu)原始樣本集特征空間,快速提升樣本的可分離性。經(jīng)上述混合集成處理后,原始訓(xùn)練樣本集RO(N×P維)和測(cè)試樣本集EO(S×P維)被轉(zhuǎn)換為堆疊訓(xùn)練樣本集RZ(N×(P+3)維)和堆疊測(cè)試樣本集EZ(S×(P+3)維)。通常元學(xué)習(xí)的第2層利用RZ擬合一個(gè)次級(jí)學(xué)習(xí)器L(如線性SVM、邏輯回歸等),對(duì)EZ進(jìn)行最終判別。為提升集成模型的精度,本文在次級(jí)學(xué)習(xí)學(xué)習(xí)器生成過程中引入K-means聚類分析,構(gòu)建多元次級(jí)學(xué)習(xí)器提煉輸出層的最終決策邊界,過程如下。

        (2)

        步驟4:將P1、P2和P3作為K-means算法的初始聚類中心,對(duì)堆疊訓(xùn)練集RZ進(jìn)行聚類分析,算法迭代結(jié)束時(shí)RZ被分割為3個(gè)子集RZ1、RZ2和RZ3,聚類中心更新為Q1、Q2和Q3。

        步驟5:基于RZ1、RZ2和RZ3分別擬合3個(gè)邏輯回歸分類器L1、L2和L3,構(gòu)建元學(xué)習(xí)的輸出層(次級(jí)學(xué)習(xí)器)。

        步驟6:在分類階段,對(duì)于堆疊測(cè)試樣本集EZ中的任一待檢測(cè)像元u,首先計(jì)算它和Q1、Q2和Q3的歐式距離,根據(jù)就近原則選取相應(yīng)的邏輯回歸分類器對(duì)其進(jìn)行標(biāo)簽判別。

        步驟7:采用雙重約束濾波優(yōu)化檢測(cè)結(jié)果。

        1.2 雙重約束濾波優(yōu)化處理

        簡(jiǎn)單線性迭代聚類(simple linear iterative clustering,SLIC)超像素分割算法[14]是對(duì)K-means的一種改進(jìn)算法,算法復(fù)雜度較低,且分割所得的超像素塊能較好地保持與地理實(shí)體的邊緣一致性。SLIC算法中的K值用于指定生成的超像素塊數(shù)。本文按照Chen等[15]將SLIC超像素分割算法與高分影像空間鄰域信息相結(jié)合構(gòu)建雙重約束濾波,優(yōu)化集成模型的監(jiān)測(cè)結(jié)果,減輕以像元為處理單元所產(chǎn)生的“椒鹽噪聲”,降低變化檢測(cè)誤檢率和漏檢率,提升檢測(cè)精度。雙重約束濾波優(yōu)化過程如下。

        步驟1:對(duì)雙時(shí)相影像的差值影像D進(jìn)行SLIC分割。

        步驟3:遍歷步驟2處理的二值影像中的所有像元,統(tǒng)計(jì)每個(gè)像元空間八鄰域的像元標(biāo)簽,若變化像元數(shù)量大于等于6,則將鄰域中心像元設(shè)置為變化類別,產(chǎn)生最終的變化檢測(cè)結(jié)果圖。

        雙重約束濾波優(yōu)化通過步驟2分割對(duì)象邊界約束可有效抑制基于像元的檢測(cè)方案所產(chǎn)生的“椒鹽噪聲”,降低變化檢測(cè)誤檢率。通過步驟3挖掘空間上下文鄰域信息,可有效減少基于像元的檢測(cè)結(jié)果中的地理實(shí)體內(nèi)部破碎現(xiàn)象,使檢測(cè)結(jié)果更加完整,降低變化檢測(cè)漏檢率。

        2 實(shí)驗(yàn)

        2.1 數(shù)據(jù)源

        本文選用WorldView-2和SPOT 5兩組雙時(shí)相高分影像為數(shù)據(jù)源(圖3),兩組數(shù)據(jù)源均通過ENVI 5.2進(jìn)行數(shù)據(jù)預(yù)處理,處理內(nèi)容包括輻射定標(biāo)、大氣校正、幾何校正和G-S融合。SPOT 5影像包含綠、紅、近紅外、短波紅外和全色共5個(gè)波段,全色波段為2.5 m。兩景影像成像時(shí)間分別為2006年12月和2007年12月,區(qū)域位于廣東省清遠(yuǎn)市,影像大小為512像素×512像素,主要變化為水體變成裸地,以及裸地變?yōu)橹脖?。WorldView-2影像包含紅、綠、藍(lán)、近紅外和全色共5個(gè)波段,全色波段為0.5 m,多光譜波段均為1.8 m。兩景影像的成像時(shí)間分別為2012年11月和2016年10月,區(qū)域位于福建省福州市,影像大小為1 800像素×1 300像素。主要變化是植被、裸土和建設(shè)用地三者之間的轉(zhuǎn)換。

        圖3 變化檢測(cè)的原始影像

        2.2 實(shí)驗(yàn)結(jié)果與分析

        首先,對(duì)預(yù)處理后的雙時(shí)相影像的差值影像提取每個(gè)波段的光譜特征、GLCM 紋理特征和形態(tài)學(xué)特征,構(gòu)建原始訓(xùn)練樣本集,其中數(shù)據(jù)集1的紋理特征,方向設(shè)置為0°,掃描窗口大小為3像素×3像素,灰度量化等級(jí)為16;數(shù)據(jù)集2紋理特征的掃描窗口為5像素×5像素,其他參數(shù)設(shè)置同數(shù)據(jù)集1。兩個(gè)數(shù)據(jù)集的形態(tài)學(xué)結(jié)構(gòu)算子均設(shè)置為圓形,掃描窗口為3像素×3像素。其次,通過提出的結(jié)合元學(xué)習(xí)和K-means的方案(MK,空間約束處理后為MK-SC)分別對(duì)兩組數(shù)據(jù)集堆疊重構(gòu)進(jìn)行變化檢測(cè)。對(duì)比算法包括GBDT、RF、ERT和HCM-SC[16]。

        隨著基學(xué)習(xí)器數(shù)量的迭代增加,不同集成方法的學(xué)習(xí)曲線如圖4所示。從圖4可以看出,對(duì)于數(shù)據(jù)集1,GBDT、RF、ERT和MK的最佳基學(xué)習(xí)器個(gè)數(shù)分別為41、54、68和51,相應(yīng)的錯(cuò)誤像元數(shù)為8 658、9 504、9 164和6 095。數(shù)據(jù)集2相應(yīng)的最佳基學(xué)習(xí)器個(gè)數(shù)和錯(cuò)誤像元數(shù)分別為45、74、87、63以及167 565、174 236、160 807、101 473。算法HCM-CS對(duì)于兩組數(shù)據(jù)集的最佳基學(xué)習(xí)器個(gè)數(shù)分別是60和70,錯(cuò)誤像元數(shù)分別為5 306和89 248。在算法迭代初期,隨著基學(xué)習(xí)器數(shù)量的增加,4種變化檢測(cè)方法的錯(cuò)誤像元數(shù)均迅速降低。由于采用了最速下降法優(yōu)化參數(shù),兩組實(shí)驗(yàn)中GBDT算法收斂時(shí)基學(xué)習(xí)器數(shù)量均少于對(duì)比算法,由于ERT在決策樹葉節(jié)點(diǎn)分裂階段比RF引入了更多的隨機(jī)過程,基學(xué)習(xí)器的多樣性隨之增強(qiáng),因此需要更多基學(xué)習(xí)器(決策樹)來改善集成模型精度。兩組數(shù)據(jù)集中ERT的收斂決策樹棵樹大致為65和81,RF的收斂棵樹大致為50和68,且ERT的收斂精度均優(yōu)于RF。本文算法綜合GBDT、RF和ERT 3種算法的特性,并通過交叉驗(yàn)證和K-means聚類分析降低過擬合風(fēng)險(xiǎn)、提升算法精度,兩組數(shù)據(jù)集中MK的基學(xué)習(xí)器數(shù)量分別在50和60左右算法進(jìn)入收斂。相較元學(xué)習(xí)集成前的3種算法,本文方法誤檢像元數(shù)最少。

        圖4 不同基學(xué)習(xí)器個(gè)數(shù)下4種集成方法的學(xué)習(xí)曲線

        表1展示了5種算法到達(dá)最佳變化檢測(cè)精度時(shí)(最佳基學(xué)習(xí)器個(gè)數(shù))的運(yùn)行時(shí)間。兩組數(shù)據(jù)集中,bagging系列算法(RF和ERT)的運(yùn)行效率均優(yōu)于GBDT;雖然ERT算法需要比RF算法更多的基學(xué)習(xí)器才能收斂至最佳精度,但由于決策樹生成過程中更多隨機(jī)過程的引入,ERT算法擬合單棵決策樹的平均時(shí)間和算法運(yùn)行總時(shí)間都小于RF。本文提出的MK算法時(shí)間復(fù)雜度顯著低于HCM-SC。

        表1 5種算法到達(dá)最佳變化檢測(cè)精度時(shí)(最佳基學(xué)習(xí)器個(gè)數(shù))的運(yùn)行時(shí)間

        從圖5、圖6可以看出,兩組數(shù)據(jù)集中未經(jīng)空間約束處理的4種方法(GBDT、RF、ERT和MK)的檢測(cè)結(jié)果均有“椒鹽噪聲”和不同程度的地理實(shí)體內(nèi)部破碎現(xiàn)象。對(duì)于3種同質(zhì)集成算法(GBDT、RF和ERT),綜合4種評(píng)價(jià)指標(biāo),數(shù)據(jù)集1的最優(yōu)檢測(cè)算法是GBDT,針對(duì)影像中大面積水域變化以及東南側(cè)裸地到植被變化的檢測(cè)結(jié)果較為完整。ERT的總體精度略優(yōu)于RF,但漏檢現(xiàn)象多于GBDT。由于數(shù)據(jù)集2的場(chǎng)景較為復(fù)雜,GBDT算法通過貪心策略尋求最優(yōu)解,產(chǎn)生大量漏檢現(xiàn)象。相較而言,RF和ERT引入隨機(jī)過程使基學(xué)習(xí)器的多樣性大幅提升,檢測(cè)結(jié)果總體優(yōu)于GBDT,其中隨機(jī)過程更強(qiáng)的ERT表現(xiàn)出可觀的檢測(cè)效果,4種評(píng)價(jià)指標(biāo)均優(yōu)于RF。因此適當(dāng)提升基學(xué)習(xí)器的多樣性、增強(qiáng)學(xué)習(xí)器之間的差異可提升復(fù)雜場(chǎng)景的變化檢測(cè)效果。此外,3種同質(zhì)集成算法在兩組數(shù)據(jù)集中均有大面積的漏檢區(qū)域和較多的誤檢碎斑,數(shù)據(jù)集1的漏檢區(qū)域主要集中在影像東北側(cè)裸地到植被的部分偽變化和陰影區(qū)域。數(shù)據(jù)集2漏檢區(qū)域主要為影像西北部和南部從植被-裸地混合區(qū)域到建設(shè)用地的轉(zhuǎn)換。

        圖5 數(shù)據(jù)集1變化檢測(cè)結(jié)果

        圖6 數(shù)據(jù)集2變化檢測(cè)結(jié)果

        本文提出的元學(xué)習(xí)-聚類分析混合集成模型(MK)綜合3種同質(zhì)集成算法的特性,檢測(cè)結(jié)果中誤檢和漏檢現(xiàn)象得到明顯改善,4種精度評(píng)價(jià)指標(biāo)均優(yōu)于混合集成前的同質(zhì)算法。經(jīng)空間約束優(yōu)化后(MK-SC)的檢測(cè)結(jié)果中大量“椒鹽像元”被濾除,總體精度和誤檢率得到改善,但由于部分被正確檢測(cè)的細(xì)小地物以及地理實(shí)體內(nèi)部的少量不連續(xù)像元被“誤刪”,如表2、表3所示MK-SC的漏檢率相對(duì)于MK有略微提升(數(shù)據(jù)集1為0.132 1和0.128 3,數(shù)據(jù)集2為0.215 2和0.201 0)。值得說明的是,本文構(gòu)建的混合集成模型的綜合精度評(píng)價(jià)結(jié)果僅略低于HCM-SC算法,但算法運(yùn)行時(shí)間卻大幅縮短,MK對(duì)于兩個(gè)數(shù)據(jù)集的處理耗時(shí)分別為40.843 s和417.308 s,而HCM-SC對(duì)于兩個(gè)數(shù)據(jù)集的處理耗時(shí)分別為570.495 s和15 121.635 s。

        表2 數(shù)據(jù)集1變化檢測(cè)精度評(píng)價(jià)

        表3 數(shù)據(jù)集2變化檢測(cè)精度評(píng)價(jià)

        3 結(jié)束語

        本文結(jié)合元學(xué)習(xí)和K-means聚類分析實(shí)現(xiàn)的混合集成高分影像變化檢測(cè)算法通過快速重構(gòu)原始樣本集特征空間、增強(qiáng)數(shù)據(jù)集的線性可分離性,在保證泛化性能和檢測(cè)精度的同時(shí)提高了分類效率,為變化檢測(cè)提出新的研究思路,結(jié)論如下。

        1)元學(xué)習(xí)算法可對(duì)不同策略的同質(zhì)集成算法(boosting和bagging)進(jìn)行混合異質(zhì)集成,在降低基學(xué)習(xí)器的偏差的同時(shí)也能降低基學(xué)習(xí)器的方差,是一種處理集成學(xué)習(xí)中基學(xué)習(xí)器精度-多樣性權(quán)衡難題的有效途徑。

        2)通過交叉驗(yàn)證策略進(jìn)行元學(xué)習(xí)的堆疊樣本集重構(gòu),可有效避免算法過擬合風(fēng)險(xiǎn)。而通過K-means聚類分析提煉元學(xué)習(xí)輸出層的決策邊界,構(gòu)建多元次級(jí)學(xué)習(xí)器的元學(xué)習(xí)混合集成模型能有效處理復(fù)雜場(chǎng)景變化檢測(cè)任務(wù)。

        3)元學(xué)習(xí)混合集成策略的變化檢測(cè)精度雖然略低于HCM-SC算法,但前者的算法運(yùn)行效率顯著優(yōu)于后者,更適合用于海量時(shí)序高分遙感數(shù)據(jù)源的變化檢測(cè)工作。

        本文提出的基于元學(xué)習(xí)同/異質(zhì)混合集成和K-means聚類的高分影像變化檢測(cè)方法可在較高檢測(cè)精度下大幅縮減集成算法的運(yùn)行時(shí)間,從算法運(yùn)行效率、泛化性能和檢測(cè)精度3個(gè)維度確保變化檢測(cè)結(jié)果魯棒可靠,但針對(duì)建筑物密集的復(fù)雜地表,檢測(cè)結(jié)果仍有待提升。同時(shí),如何合理選擇異質(zhì)弱分類器并針對(duì)其特定的組合構(gòu)建高效、魯棒的集成策略,如何將該方法拓展到多類變化檢測(cè)樣本自動(dòng)選擇均是后續(xù)研究的重點(diǎn)和努力的方向。

        猜你喜歡
        特征模型
        一半模型
        抓住特征巧觀察
        重要模型『一線三等角』
        新型冠狀病毒及其流行病學(xué)特征認(rèn)識(shí)
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        抓住特征巧觀察
        3D打印中的模型分割與打包
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        日本一区二区视频免费在线看| 国产在线欧美日韩精品一区二区| 国产三级在线观看性色av| 日韩美腿丝袜三区四区| 中文字幕日韩人妻在线视频| 97精品人妻一区二区三区香蕉| 日韩亚洲中文图片小说| 青青视频在线播放免费的| 制服丝袜一区二区三区 | 亚洲色图视频在线观看网站| 中文字幕手机在线精品| 狠狠色丁香婷婷综合潮喷 | 水蜜桃久久| 精品一区二区三区长筒靴| 少妇被粗大进猛进出处故事| 国偷自产视频一区二区久| 四虎精品影视| 国内精品久久人妻互换| 人人人妻人人人妻人人人| 少妇高潮尖叫黑人激情在线| 国产精品国产三级国产专区5o| 中文字幕人妻被公喝醉在线| 美女mm131爽爽爽| 久久亚洲精品无码gv| 无码啪啪人妻| 亚洲国产精品久久婷婷| 在线成人一区二区| 五月婷婷激情小说| 蜜桃视频一区二区三区| 日本边添边摸边做边爱喷水| 亚洲精品国产成人无码区a片| 日韩人妻无码中文字幕一区| 国产的自拍av免费的在线观看| 国产日本精品一区二区| 精品人妻伦一二三区久久| 亚洲旡码a∨一区二区三区 | 无码人妻丰满熟妇啪啪7774| 国产一级做a爱视频在线| 性感女教师在线免费观看| 欧美黑人xxxx又粗又长| 午夜视频网址|