Loading...

Data Labelling Using Manifold-Based Semi-Supervised Learning in Multispectral Remote Sensing

Khajenezhad, Ahmad | 2013

1019 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 44125 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Rabiee, Hamid Reza; Safari, Mohammad Ali
  7. Abstract:
  8. Classification of hyperspectral remote sensing images is a challenging problem, because of the small number of labeled pixels, high dimensionality of the data and large number of pixels. In this context, semisupervised learning can improve the classification accuracy by extracting information form the distribution of all the labeled and unlabeled data. Among semi-supervised methods, manifold-based algorithms have been frequently used in recent years. In most of the previous works, manifolds are constructed according to spectral representation of data, while spatial dependency of pixel labels is an important property of the images in remote sensing applications. In this thesis, after analyzing the previous works, we propose a manifold-based method for using spatial information beside spectral information. This method uses both spectral and spatial graphs. The spectral graph utilizes spectral similarities between data points and the spatial graph utilizes spatial properties to improve the classification accuracy. The classification is based on optimizing an objective function, including a combination of the Laplacians of the two graphs. As our experimetal results over the famous Indian Pine data set show, by assigning proper values to the parameters of the combination of two Laplacians, this method has an accuracy improvement of about 37% against using the spectral graph alone, and an accuracy improvement of about 6% against using the spatial graph alone. According to the effect of the parameters on the accuracy of the proposed method, it is necessary to use an efficient parameter tuning method. We investigate the performance of two parameter tuning methods and propose a heuristic method, and a second method based on self-training to tune the parameters of the proposed classification method
  9. Keywords:
  10. Remote Sensing ; Semi-Supervised Learning ; Manifold-Based Learning ; Graph-Based Learning ; Hyperspectral Images ; Images Classification

 Digital Object List

 Bookmark

  • سنجش از دور
    • مقدمات و تعریف مساله
    • چالش‌ها و معیارها
    • یادگیری نیمه‌نظارتی
    • ساختار پایان‌نامه
  • یادگیری مبتنی بر منیفلد
    • روش‌های تعیین برچسب مبتنی بر منیفلد
      • روش‌های مبتنی بر قدم‌ردن تصادفی
      • استفاده از عبارت همواری منیفلدی
      • بیان جمله‌ی همواری منیفلدی به صورت اندازه‌ی تابع در فضای هیلبرت بازتولید هسته
      • بیان روش‌های مختلف تعیین برچسب مبتنی بر منیفلد، به روش استفاده از منظم‌سازی منیفلدی
      • حل مشکل نامتوازن بودن داده‌های برچسب‌دار
    • روش‌های کاهش بعد مبتنی بر منیفلد
    • جمع‌بندی
  • بررسی کارهای پیشین
    • کاهش بعد و استخراج ویژگی
    • برچسب‌گذاری تصاویر سنجش از دور
      • روش‌های مولد
      • روش‌های مبتنی بر جداسازی در ناحیه‌ی کم تراکم
      • روش‌های مبتنی بر گراف
    • استفاده از ویژگی‌های مکانی
      • استفاده از فیلتر پردازش تصویر
      • استفاده از میدان‌های تصادفی مارکوف
      • استفاده از قطعه‌بندی
      • استفاده از گراف مکانی
      • تغییر در تابع ضرر
    • انتقال دانش
    • جمع‌بندی
  • روش پیشنهادی
    • روش پیشنهادی برای استفاده از ویژگی‌های مکانی
      • مقایسه با فیلترهای پردازش تصویر
      • مقایسه با مساله‌ی قطعه‌بندی
      • تحلیل مساله‌ی بهینه‌سازی
      • تلفیق روش پیشنهادی با سایر روش‌های استفاده از ویژگی‌های مکانی
    • روش‌های ترکیب لاپلاسین‌ها
    • حل مسأله با زمان اجرا و حافظه‌ی کم
    • تنظیم پارامترها
      • روش ارزیابی متقابل
      • استفاده از بیشترین درست‌نمایی بر اساس فرایندهای گاوسی
      • استفاده از ایده‌های اکتشافی
      • روش پیشنهادی مبتنی بر خودیادگیری
    • جمع‌بندی
  • نتایج عملی
    • مجموعه داده‌های مورد استفاده
    • بررسی تاثیر ترکیب دو گراف
      • مقایسه و تلفیق روش پیشنهادی با روش استفاده از فیلتر پردازش تصویر
    • بررسی روش‌های تنظیم پارامتر
    • جمع‌بندی
  • نتیجه‌گیری و کارهای آینده
...see more