Ein zusammengesetzter semisupervisierter SVM zur Klassifizierung von hyperspektralen Bildern

Dieses Schreiben präsentiert eine neuartige zusammengesetzte semisupervisierte Support-Vektor-Maschine (SVM) für die spektral-räumliche Klassifizierung von hyperspektralen Bildern. Insbesondere nutzt die vorgeschlagene Technik Folgendes: 1) unetikettierte Daten zur Erhöhung der Zuverlässigkeit der Trainingsphase, wenn nur wenige Trainingsmuster verfügbar sind, und 2) zusammengesetzte Kernfunktionen, um gleichzeitig spektrale und räumliche Informationen zu berücksichtigen, die im betrachteten Bild enthalten sind. Experimente, die an einem hyperspektralen Bild durchgeführt wurden, zeigten die Effektivität der präsentierten Technik, die zu einer signifikanten Erhöhung der Klassifizierungsgenauigkeit im Vergleich zu sowohl überwachten SVMs als auch progressiven semisupervisierten SVMs mit einzelnen Kernen sowie zu überwachten SVMs mit zusammengesetzten Kernen führte.