高光谱遥感图像超图迁移学习方法研究

How to effectively represent the intrinsic structure of sample distribution in feature space and achieve the feature transfer of samples with different distributions are key problems to enhance the universality of the feature learning model of hyperspectral remote sensing image (HSI). To make full use of the merits of hypergraph theory that can effectively representing the intrinsic structure relationship and transfer learning that can achieve the feature learning of samples with different distributions, this project will propose the research ideas of “adaptive hypergraph construction – graph and hypergraph collaborative representation – feature transfer learning model” to develop the efficient and robust feature learning for HSI. The main research contents include: (1) constructing adaptive hypergraph learning model to reasonably reveal the intrinsic structure relationship of HSI; (2) constructing graph and hypergraph collaborative learning model to comprehensively mining the intrinsic properties of HSI; (3) constructing hypergraph transfer learning model to achieve the feature representation of HSI with different distributions and enhance the universality of feature learning algorithm. The achievements of this research will be beneficial to improve the feature representation of HSI and can provide a theoretical foundation and implementing method in the fields of land cover classification, urban planning, precision agriculture, etc. This research has an important scientific significance and high application value.

如何有效表达特征空间中样本分布的内在结构，实现不同分布样本间的特征迁移，是增强高光谱遥感图像特征学习模型普适性的关键问题。充分利用超图理论能有效表达数据内在结构和迁移学习能实现不同分布样本特征学习的优势，本项目拟提出“自适应超图构建-图和超图协同表达-特征迁移学习模型”的研究思路，发展高效、稳健的高光谱遥感图像特征学习算法。主要研究内容包括：(1)构建自适应超图学习模型，合理揭示高光谱遥感图像的内在结构关系；(2)建立图和超图协同学习模型，全面挖掘高光谱遥感图像的内在特性；(3)构建超图迁移学习模型，实现不同分布的高光谱遥感图像特征表达，增强特征学习算法的普适性。本研究成果有望提升高光谱遥感图像的特征表达能力，可为地物分类、城市规划、精细农业等领域的研究提供理论依据和具体方法，具有较大的科学意义和实用价值。

高光谱图像含有丰富的地物光谱信息，可实现地物的精细化分类。由于高光谱图像光谱波段间间隔狭小、波段数多，使其存在大量的冗余信息，进而干扰地物分类精度。图学习能有效揭示数据的内在复杂结构，挖掘数据的内在鉴别特征，因而本项目围绕高光谱图像图学习方法展开研究，解决高光谱数据内在复杂特征提取问题,主要研究内容包括：(1) 由于高光谱图像复杂的成像方式和环境，导致高光谱数据间存在复杂的内在高阶关系，因而本项目利用稀疏约束的自适应性，提出自适应超图学习方法用于揭示高光谱图像复杂的内在关系，提升特征表达性能；(2) 由于高光谱图像拥有成百个通道，内在结构非常复杂，单一结构难以反映高光谱图像的内在结构，因而本项目考虑了高光谱图像多种结构信息，建立了图和超图协同学习方法，全面表达高光谱图像的内在结构特征，提升分类效果；(3) 由于高光谱图像的成像范围广，难以获取新区域大量样本的类别信息，因而本项目充分利用已知区域的类别信息，构建跨区域的超图学习模型，实现不同区域高光谱图像之间的特征迁移，拓展高光谱图像的应用范围。本项目的研究成果增强了高光谱图像的特征表达力，提升了地物分类精度，进一步促进了高光谱图像在城市规划、精细农业、军事侦察等领域的应用。目前，在该项目的资助下，项目组已发表科研论文18篇，其中SCI检索论文16篇，国际会议论文2篇，培养博士、硕士研究生6名。

内容获取失败，请点击重试