基于低秩重构领域自适应的大规模遥感图像分类方法研究

摘要

针对大规模遥感数据难以获取大量标记数据以及传统基于变换的领域自适应方法无法适用于内容复杂的遥感图像等问题,提出了基于低秩重构领域自适应方法的大规模遥感图像分类方法.通过使用多个变换矩阵来分别适应不同类型的数据,降低数据的分布差异.低秩分解模型的引入则利用数据中的低维结构去除其中的干扰成分,提高了训练数据的准确性和模型的抗干扰能力.针对大部分特征提取方法获得非负结果的事实,对重构系数添加非负约束,使得变换后的数据更接近目标域数据.最后,类型不一致性约束被用于增强数据的判别能力.以上约束均统一在所提的模型中,有效地实现了已标记数据的重复利用.在遥感数据集上的多个实验证明了方法的有效性.