رویکرد طبقه‌بندی نیمه نظارتی کارآمد برای تصویربرداری ابرطیفی

در این مقاله، یک ماشین بردار پشتیبانی نیمه نظارتی کارآمد (SVM) با الگوریتم کلی مبتنی بر تقسیم‌بندی برای طبقه‌بندی تصویر ابرطیفی پیشنهادشده است. این الگوریتم از اطلاعات فضایی استخراج‌شده توسط یک الگوریتم تقسیم‌بندی برای انتخاب نمونه بدون برچسب استفاده می‌کند. نمونه‌های بدون برچسب که بیشترین شباهت را به موارد برچسب داردارند، یافت شده و مجموعه کاندیدِ نمونه‌های بدون برچسب که قرار است انتخاب شوند، به بخش‌های تصویر متناظر بسط داده می‌شود. برای تضمین این مطلب که نمونه بدون برچسب نهایی به‌صورت فضایی توزیع گسترده داشته باشد و همبستگی آن کمتر باشد، انتخاب تصادفی انجام می‌شود با انعطاف‌پذیری تعداد نمونه‌های بدون برچسب که درواقع در یادگیری نیمه نظارتی شرکت دارند. طبقه‌بندی همچنین از طریق یک تکنیک کلی مشخصه طیفی – فضایی پالایش می‌شود. روش پیشنهادی با نمونه‌های آموزش برچسب دار بسیار محدود از طریق آزمایش‌ها با دو تصویر ابرطیفی ارزیابی می‌شود که در آن این مورد بر SVM کاملاً نظارتی و نسخه نیمه نظارتی بدون دسته کلی طیفی - فضایی برتری دارد.

SVM ،ابر طیف، نیمه نظارتی، برچسب