[发明专利]一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法在审
申请号: | 201910053884.X | 申请日: | 2019-01-21 |
公开(公告)号: | CN109886303A | 公开(公告)日: | 2019-06-14 |
发明(设计)人: | 闫利;朱睿希;刘异;莫楠;庞超 | 申请(专利权)人: | 武汉大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46 |
代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 王琪 |
地址: | 430072*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 样本 目标域 航空影像 分类 标注 影像 粒子群优化 训练样本集 词袋特征 训练样本 迁移 降维 源域 粒子群优化算法 分类器训练 分类数据集 迭代筛选 动态构建 分类影像 传统的 分类器 计算源 剩余源 原始词 节约 改进 | ||
1.一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法,其特征在于,包括如下步骤:
(1)输入源域已有标签样本其中每张样本影像的大小为m×n,Ns为源域样本的数量;
(2)待分类目标域影像为Nt为待分类目标域影像的数量;
(3)对所有源域样本和目标域待分类影像,输入充足的源域标签Ys和少量目标域标签Yt,Ys,Yt∈{1,2,..,k},计算其词袋特征向量Xs和Xt;
(4)使用基于改进的粒子群优化算法对词袋特征向量Xs和Xt进行降维,得到源域和目标域降维后的特征向量Xs(R)和Xt(R);
(5)把降维后的特征向量Xs(R)和Xt(R)投入TrAdaboost分类器,使用改进的校正因子更新源域样本权重;
(6)对更新后的源域样本权重设定阈值,权重低于该阈值的样本被剔出源域样本集;
(7)重复(5)-(6)直到没有源域样本被剔除,使用剩余源域样本和少量目标域样本训练TrAdaboost分类器;
(8)使用训练好的TrAdaboost分类器对测试影像进行分类,得到分类标签l。
2.根据权利要求书中1所述的一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法,其特征在于:其中步骤(3)中所述的对所有源域样本和目标域待分类影像,输入充足的源域标签Ys和少量目标域标签Yt,Ys,Yt∈{1,2,..,k},计算其词袋特征向量Xs和Xt,按照如下步骤进行:
3a)对源域和目标域所有样本影像提取尺度不变特征变换(SIFT)特征;
3b)对所有样本影像中提取的SIFT特征进行聚类,得到若干个聚类中心,每个聚类中心又叫做视觉单词;
3c)对目标域和源域每幅影像,把该影像中每个SIFT特征分配到最近的视觉单词,统计该影像中每个视觉单词对应的SIFT特征数量,即可得到每幅影像在视觉单词上的词袋特征向量Xs和Xt。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910053884.X/1.html,转载请声明来源钻瓜专利网。