线性分类器与神经网络在数据处理方面的应用

在机器学习诞生之时起,线性回归分类器便体现出优越的性能,然而,随着时代的进步,每类训练样本数量增大,线性分类器的速度变得很慢,也凸显了线性分类的一个致命弱点:对大样本数据束手无策。即当用于训练的样本数量大于样本的维数时,线性分类器会无法工作。解决的办法之一是对分类器作局部化处理从而对数据进行筛选,避免大样本数据问题的出现。然而,随着神经网络的兴起,对于大样本数据的处理,也有了更多的新兴的处理办法。

DSM数据中多层次、多直角房屋的三维重建

根据房屋的层次结构特点,采用附加约束条件的最小二乘平差精化房屋几何模型,使得重建房屋满足现实世界中多数房屋邻接墙面直角相交的要求。对于非平顶房屋,采用法向量统计分析的方法与模型库中的房屋类型匹配,然后按匹配类型重建房顶。实验表明,本方法对于从DSM数据中重建多层次、多直角房屋和人字型屋顶等类型的房屋是行之有效的。