论文部分内容阅读
在图像分类过程中,相对于较高的特征维数,训练样本太少一直是制约众多分类算法性能的重要因素。近年来,特征分类器以放大训练集“表达容量”来提高分类器泛化能力的方式而广受研究学者的关注。然而现有的大多数特征分类算法在放大“表达容量”的过程中容易破坏训练集原有的“类间可分性”,并由此导致分类器的实际分类能力下降。此外,一些特征分类器还存在计算复杂度高的缺陷,限制了它们在图像分类中的广泛应用。针对这些问题,本文首次将一些“尺寸可调”的特征流形(即约束特征线、压缩凸包和软性仿射包)引入到特征分类领域,以通过改善“表达容量”与“类间可分性”之间的平衡来进一步提高特征分类器的泛化性能。在此基础上,本文对参与构建特征流形的原型样本的数量进行压缩,即仅保留“数量可调”的一部分局部原型样本,以此方式实现对特征分类器分类速度的有效控制。论文具有创新性的研究工作和成果主要有:
首先,提出了k局部约束线(kLCL)分类算法。该算法使用长度可调的约束特征线来放大样本的“表达容量”,因而它能够很好地避免大多数传统特征线方法中存在的训练子空间交叉重叠的问题。同时,kLCL算法选取待分类样本附近的部分原型样本参与约束线特征流形的构建,以此提高分类器的计算效率。人脸识别问题和一些普通模式分类问题的实验结果证实了算法的有效性:
其次,提出了最近邻压缩凸包(NRCH)分类算法。在NRCH中,压缩凸包作为一种新的特征流形被首次引入到特征分类领域。从遥感影像分类的一些实验结果可以看到,NRCH算法具有较特征线分类算法更强的“表达容量”放大能力,并且能够很好地解决遥感分类中遇到的训练样本不足的问题。与一些传统的遥感分类算法相比,NRCH具有更好的泛化性能;
然后,提出了局部压缩凸包(LRCH)算法。为了将基于压缩凸包的特征分类算法推广到更多的分类应用,LRCH通过仅关注查询样本周围少量的“局部原型”的方式来降低凸包距计算中二次规划问题的矩阵规模,以此降低算法的计算复杂度。实验分析表明“局部原型”策略增强了LRCH算法的应用潜力,使得它不仅有快于NRCH的分类速度而且还有更多的机会获取更高的分类精度。此外,大量的其它模式分类实验(包括合成数据、普通模式分类数据以及人脸识别数据)表明LRCH具有较众多传统特征分类器更好的泛化性能。该算法的分类精度也略优于支持向量机(SVM),并且LRCH具有更快的分类速度;
最后,提出了局部软性仿射包(LSAH)算法。在该算法中的软性仿射包特征流形在膨胀或收缩过程中不受凸包尺寸的约束,因而它具有较压缩凸包更强的“表达容量”放大能力。与此同时,除了采用“局部原型”的样本利用策略外,LSAH还通过Cholesky分解算法来提高特征距离的计算速度。多个遥感影像分类实验表明,LSAH能够在分类精度上显著地高于参与对比的一些经典的遥感分类算法,如最大似然法(MLC)、BP神经网络(BP)和SVM等。此外,与众多的其它特征分类器相比,LSAH也能够同时在泛化性能和分类速度上占有明显的优势。