基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流形鉴别学习算法。该算法将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互不重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。

全球地表覆盖制图研究新范式

全球土地覆盖制图在过去的10年中取得重要进展,空间分辨率从300 m增加至30 m,分类详细程度也有所提高,从10余个一级类到包含29类的二级分类体系。然而,利用光学遥感数据在大空间范围制图方面仍有诸多挑战。本文主要介绍在农田、居住区、水体和湿地制图方面的挑战,讨论在使用多时相和多传感器遥感数据上的困难,这将是未来遥感应用的趋势。由于各种地表覆盖数据产品有自己定义的地表覆盖类型体系和处理流程,通过调和以及集成各种全球土地覆盖制图产品能够满足新的应用目的,并且可以最大程度地利用已有的土地覆盖数据。然而,未来全球土地覆盖制图需要能够按照新应用需求动态生成地表覆盖数据产品的能力。过去的研究表明有效地提高局部尺度制图的分类精度,更好的算法、更多种特征变量(新类型的数据或特征)以及更具代表性的训练样本都非常重要。我们却认为特征变量的使用更重要。本文提出了一个全球土地覆盖制图的新范式。在这个新范式中,地表覆盖类型的定义被分解为定性指标的类、定量指标的植被郁闭度和高度。非植被类型通过它们的光谱和纹理信息提取。复合考虑类、郁闭度和高度3种指标来定义和区别包含植被的地表覆盖类型。郁闭度和高度不能在分类算法中提取,需要借助其他直接测量或间接反演方法。新的范式还表明,一个普遍适用的训练样本集有效地提高了在非洲大陆尺度土地覆盖分类。为了确保更加容易地实现从传统的土地覆盖制图到全球土地覆盖制图新范式的转变,建议构建一体化的数据管理和分析系统。通过集成相关的观测数据、样本数据和分析算法,逐步建成全球土地覆盖制图在线系统,构建全球地表覆盖制图门户网站,为数据生产者、数据用户、专业研究人员、决策人员搭建合作互助的平台。