利用主动学习改进遥感图像单类分类: 以正类和未标记样本学习方法为例

孙熠, 李培军^?

北京大学遥感与地理信息系统研究所, 北京100871

收稿日期:2019-01-24修回日期:2019-05-06出版日期:2020-01-20

基金资助:国家自然科学基金(41371329)资助

Improving One-Class Classification of Remote Sensing Data by Using Active Learning: A Case Study of Positive and Unlabeled Learning

SUN Yi, LI Peijun^?

Institute of Remote Sensing and Geographic Information System, Peking University, Beijing 100871

Received:2019-01-24Revised:2019-05-06Published:2020-01-20

PDF

(11078KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 针对单类分类方法中只用正类训练样本导致训练样本数量和质量的选择直接影响分类结果精度的问题, 以正类和未标记样本学习(PUL)为例, 研究如何利用主动学习选择训练样本, 以求改善单类分类的精度。首先用随机选取的训练样本进行PUL分类, 直到获得稳定的分类精度, 然后利用主动学习选择和增加最有用(informative)的正类或负类样本, 用于PUL分类。结果表明, 当利用足够多的随机选取的正类样本得到稳定的分类精度后, 利用主动学习选择和增加正类样本可以提高分类精度; 利用主动学习的同时加入正类和负类样本, 可以得到比只加入正类样本更高的分类精度; 将利用主动学习得到的正类样本经相似性筛选后得到的正类样本, 分类精度与直接利用主动学习选择的样本相似, 但达到同样精度时需要更少的样本。因此, 利用主动学习选择和增加样本可以有效地改善单类分类的精度。

引用本文

孙熠, 李培军. 利用主动学习改进遥感图像单类分类: 以正类和未标记样本学习方法为例[J]. 北京大学学报自然科学版, 2020, 56(1): 155-163.
SUN Yi, LI Peijun. Improving One-Class Classification of Remote Sensing Data by Using Active Learning: A Case Study of Positive and Unlabeled Learning[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(1): 155-163.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3445