一种正样本单分类框架下的高分辨率遥感影像建筑物变化检测算法

高分辨率遥感影像建筑物变化检测对于城市规划、城市执法等方面具有非常重要的意义。文中提出一种基于正样本单分类器学习框架下的建筑物变化检测算法。首先提取影像形态学建筑物指数特征(MBI),通过卡方变换将其与光谱特征进行融合;然后利用一种单分类器完成建筑物变化初始判定;最后利用改进的长宽比形状特征完成最终建筑物变化判定。通过与现有建筑物变化检测算法、传统的多分类器算法对比,本文算法精度有一定提升并具有更强的鲁棒性。

双向层级结构分类器及其在面部特征点定位中的应用

设计了一种新颖的双向层级结构分类器,并将其应用于面部特征点的定位。该分类器在训练过程中对正例样本和反例样本交替进行重采样,因而与采用传统的单向层级分类器的面部特征定位方法相比,采用这种新的双向层级结构分类器的方法具有以下优点:可以应对大规模的数据集;可以处理存在复杂变化的正反例样本;而且无论是在训练过程还是在测试过程,其算法都能快速地过滤大量的'易分'样本,执行效率非常高。在两个公开测试数据库上的实验结果表明,采用双向层级结构分类器的方法可以实现准确、快速的特征点定位。

基于累积正样本的偏斜数据流集成分类方法

针对现有处理偏斜数据流的方法存在过拟合或者未充分利用现有数据这一问题,提出一种基于累积正样本的偏斜数据流集成分类方法 EAMIDS。该算法把目前达到的所有数据块的正样本收集起来生成集合AP,然后采用KNN算法和Over-sampling方法来平衡数据块的类分布。当基分类器数量超过最大值时,根据F-Measure值来更新集成分类器。通过在模拟数据集SEA和SPH上的实验,与IDSL算法和SMOTE算法相比,表明EAMIDS具有更高的准确率。

用正则的方法在正样本和无标签样本上训练二分类器

正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。

基于外形特征的符号识别及匹配文字的自动化实现

文章从文字识别及所占像素点重采样、符号线划矢量化、符号与文字匹配几个环节,由文字与符号的形状特征着手,对进行匹配的符号与文字综合采取了分类、分区、像素点重采样、无用对象排除、过滤干扰项、赋予位置权重等多种技术手段,实现符号的矢量化及与文字的良好的匹配,方法简单易行,快速准确。