融合多类别基分类器的序列标注算法

为了提高小规模数据的序列标注的准确度及提升序列标注算法的适用性,提出一种融合多类别基分类器的序列标注算法,将条件随机场(CRF)、结构化支持向量机(SVM)、最大间隔马尔科夫网进行了有效的融合进行序列标注任务。实验结果表明:提出的算法相较于传统序列标注算法在性能上有明显的改进,并能与深度神经网络完美结合。

基于目标约束与谱空迭代的高光谱图像分类方法

针对复杂背景像元影响高光谱分类精度的问题,将目标检测方法引入地物分类研究,提出了一种基于谱空特征迭代的高光谱图像分类方法,该方法通过将约束能量最小化设计了一种多目标约束的类别分类器(MTCC)。该分类器利用检测原理提取多类目标地物,有效地降低了复杂背景数据对分类精度的影响;同时为了解决光谱特征带来的过分类问题,方法中利用反馈式谱空融合方式强化空间增强信息在分类中的作用,以逐步提高分类精度。利用Purdue、Salinas和Pavia数据集进行实验,结果表明,所提方法的平均分类精度分别为98.09%、97.33%和84.68%,精确率分别为96.84%、95.32%和79.13%,与其他方法相比所提方法具有更高的泛化能力,实用性更强。