高光谱聚类
文章平均质量分 91
高光谱遥感图像的聚类,传统机器学习
yz_YYYZZZ
这个作者很懒,什么都没留下…
展开
-
Bipartite Graph Based Multi-View Clustering
对于基于图的多视图聚类,一个关键问题是通过两阶段学习方案捕获共识聚类结构。具体来说,首先学习多个视图的相似性图矩阵,然后将它们融合为统一的高级图矩阵。大多数当前的方法独立地学习每个视图的数据点之间的成对相似性,这在单个视图中被广泛使用。然而,包含在多个视图中的共识信息被忽略,并且所涉及的偏差导致不期望的统一图矩阵。为此,我们提出了一种基于二分图的多视图聚类(BIGMC)方法。共识信息可以由不同视图的少量代表性统一锚点表示。在数据点和锚点之间构建二分图。BIGMC构建所有视图的二分图矩阵,并将其融合以生成统一原创 2022-11-27 15:36:10 · 1357 阅读 · 1 评论 -
Clustering and Projected Clustering with Adaptive Neighbors
在本文中,提出了一种新的聚类模型来同时学习数据相似矩阵和聚类结构。新模型通过基于局部距离为每个数据点分配自适应和最优邻居来学习数据相似性矩阵。同时,对数据相似性矩阵的拉普拉斯矩阵施加新的秩约束,使得得到的相似性矩阵中的连接分量完全等于聚类数。聚类将数据点划分为不同的组,使得同一个组中的对象具有高度的相似性。最常用的聚类算法是k-means。本文中提出新的角度解决聚类问题。通过基于局部连通性为每个数据点分配自适应和最优邻居来学习数据相似矩阵。主要假设是,距离较小的数据点成为邻居的概率较大。更重要的是,对相似矩原创 2022-10-20 21:55:34 · 1604 阅读 · 2 评论 -
GMC Graph-Based Multi-View Clustering
现有的大多数方法没有充分考虑不同视图的权重,需要额外的聚类步骤来生成最终的聚类。还通常基于所有视图的固定图相似矩阵来优化目标。GMC获取所有视图的数据图矩阵,并将其融合生成统一的图矩阵。统一图矩阵反过来又改进了各个视图的数据图矩阵,也直接给出了最终的聚类。它可以帮助各个视图图矩阵的学习和统一图矩阵的学习相互强化。一种新的多视图融合技术可以自动对各个数据图矩阵进行加权,得到统一的图矩阵。对统一矩阵的图拉普拉斯矩阵也施加了不引入调优参数的秩约束,有助于将数据点自然地划分到所需的簇数。原创 2022-11-22 10:04:22 · 1779 阅读 · 0 评论 -
A Fast and Accurate Similarity-Constrained Subspace
子空间聚类方法,如稀疏子空间聚类(SSC),由于其高性能,已成为无监督学习的流行工具。但是 计算机复杂性、忽略空间信息阻碍聚类结果的空间均匀性为了解决这两个相关问题,提出了一种快速算法,通过首先选择一组最能代表其邻域的像素来获得稀疏表示系数矩阵。然后,它执行空间滤波以增强相邻像素的连通性,并使用快速光谱聚类来获得最终的聚类图。原创 2022-11-03 17:56:28 · 447 阅读 · 0 评论 -
Entropy regularization for unsupervised clustering with adaptive
自适应邻域无监督聚类的熵正则化输入亲和矩阵仅基于距离测量,在概率预测下缺乏明确的物理意义仍需要操作其他离散化程序。为了解决这些问题,我们提出新的聚类模型,称为:基于自适应无监督聚类的熵正则化(ERCAN) 动态和同时更新亲和矩阵和聚类结果。首先,在概率模型中引入最大熵正则化项,以避免平凡的相似性分布。此外,我们新引入了基于L0范式的拉普拉斯秩约束来构造自适应邻域,以获得稀疏性和强度分割能力,而无需额外的离散化过程。原创 2022-11-01 22:01:26 · 445 阅读 · 0 评论 -
Fast Unsupervised Projection for Large-Scale Data
传统的降维方法通常无法处理非线性数据,并且具有较高的计算复杂度。为了解决这些问题,提出了一种快速无监督投影(FUP)方法。FUP的简化图由样本和代表点构成,其中通过迭代优化选择的代表点的数量小于样本的数量。通过生成所呈现的图,证明了大规模数据可以在许多场景中更快地投影。然后,提出了正交FUP(OFUP)方法来保证投影矩阵的正交性。具体而言,OFUP方法在一定参数设置下被证明与PCA等效。原创 2022-11-01 15:27:18 · 250 阅读 · 0 评论 -
Fast unsupervised embedding learning with anchor-based
Fast unsupervised embedding learning with anchor-based原创 2022-10-27 15:03:32 · 671 阅读 · 0 评论 -
Fast Fuzzy Clustering Based on Anchor Graph
基于锚图的快速模糊聚类 FFCAG模糊聚类十分流行;FFCAG算法将基于锚的相似度图构建和隶属度矩阵学习集成到一个统一的框架中,从而可以进一步利用锚的先验知识来提高聚类性能。FFCAG首先使用无参数邻域分配策略构造基于锚的相似图。然后,设计了一个二次规划模型来学习锚的隶属度矩阵,这与传统的模糊聚类算法有很大的不同。更重要的是,在目标函数中引入了一个新的平衡正则化项,以产生更精确的聚类结果。最后,我们采用一种保证收敛的交替优化算法来求解该方法。聚类方法大致分为两类:硬聚类、模糊聚类(软聚类)原创 2022-10-26 14:18:24 · 1241 阅读 · 2 评论 -
Fast spectral clustering learning with hierarchical bipartite graph for large-scale data
传统方法:不适用大规模问题 高斯核函数提出了一种新的基于层次二分图(SCHBG)的光谱聚类方法,该方法通过探索具有金字塔结构的多层锚来实现。该算法首先构造一个层次二分图,然后对该图进行谱分析。因此,计算复杂度可以大大降低。此外,我们采用了一种无参数但有效的邻居分配策略来构造相似度矩阵,从而避免了对热核参数的调整。最后,该算法能够处理大规模数据的样本外问题,其计算复杂度显著降低。原创 2022-10-25 19:26:41 · 582 阅读 · 0 评论 -
Spatial-spectral Hyperspectral Image Classification via MultipleRandom AnchorGraphs EnsembleLearning
高光谱图像(HSI)的高维性使得难以构建成对相邻图。此外,有助于提高模型可辨性的精细空间特征常常被忽略。为了解决这一问题,本文提出了一种新的基于多随机锚图集成学习(RAGE)的空间谱HSI分类方法。首先,采用局部二值模式提取每个选定频带上的更多描述性特征,从而保留了区域的局部结构和细微变化。其次,在锚图的构造中引入了自适应邻域分配,以降低计算复杂度。最后,利用多个锚图建立集成模型,从而学习HSI的多样性。原创 2022-10-24 21:46:47 · 249 阅读 · 0 评论 -
Fuzzy Embedded Clustering Based on Bipartite Graph for Large-Scale Hyperspectral Image
首先,我们提出了FECBG方法,将模糊聚类与基于二分图的非负正则化项结合到一个统一模型中,该方法具有良好的聚类性能,并降低了模糊聚类对初始聚类中心的敏感性。其次,我们采用快速谱嵌入方法来获得HSI数据的低维表示,以降低计算复杂度。最后,在模糊聚类中加入基于二部图的非负正则化项,以约束模糊隶属度矩阵的解空间。原创 2022-10-24 10:28:24 · 269 阅读 · 0 评论 -
Fast semi-supervised learning with anchor graph for large hyperspectral images
由于高光谱图像(HSI)的标记样本非常稀少,并且标记样本花费太多时间和昂贵,半监督学习(SSL)在高光谱图像分类中有着重要的应用。大多数GSSL方法仍然不能处理大的HSI,因为它们的计算复杂度很高。提出了一种新的方法,称为带锚图的快速半监督学习(FSSLAG)来解决大规模HSI分类问题。在提出的FSSLAG算法中,首先构造了无参数、自然稀疏和尺度不变的锚图。然后可以通过图表推断样本的标签。FSSLAG的计算复杂度可以降低到O(ndm),这与需要O(n3)的传统基于图的SSL方法相比是一个显著的改进。原创 2022-10-21 22:15:16 · 380 阅读 · 1 评论 -
A fuzzy spectral clustering algorithm for hyperspectral image
本文利用模糊锚来处理高光谱图像分类,提出了一种基于模糊相似性测度的光谱聚类算法。该算法利用模糊相似性度量来获得数据点与锚之间的相似性,然后得到相似性矩阵。最后,对相似度矩阵进行谱聚类以计算分类结果。对于高光谱遥感图像,同一特征的不同个体灰度值的分布是不规则的,差异很大,即类内的不确定性;不同类型特征之间的光谱边界变得更小,甚至重叠,即类之间的模糊性。基于相似度矩阵的谱聚类算法的分类性能对数据点的相似度非常敏感。原创 2022-10-21 20:32:10 · 368 阅读 · 2 评论 -
spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image
基于AG的方法忽略了像素内的空间信息,这限制了它们在实际应用中的鉴别能力。通过空间相关性和光谱信息,在空间光谱组合方法方面进行了许多尝试。这类方法主要利用滤波预处理中的空间相关性,以单尺度过滤局部均匀区域。然而,由于两个原因,它们无法完全捕获空间结构:(1)HSI数据可能同时包含大小均匀区域,但单尺度滤波器无法准确覆盖局部均匀区域。这种现象使得基于AG的聚类算法无法描述HSI的不同空间结构;(2) 大多数算法在HSI数据预处理过程中只考虑了空间结构,没有将这些固有的结构融入到聚类过程中。原创 2022-10-10 16:19:28 · 457 阅读 · 0 评论 -
Scalable Graph-Based Clustering With Nonnegative Relaxation for Large Hyperspectral Image
相似矩阵w的构造图拉普拉斯矩阵L的特征值分解k-means或其他离散化过程scalable graph-based clustering with nonnegative relaxation(SGCNR), 首先构造锚图,然后添加非负松弛项直接提取聚类指标。传统基于图的聚类算法至少需要O(n2d+n2k)O(n2d+n2k)或O(n2d+n3)O(n2d+n3),采用此算法可降低到O(ndlogm+n。原创 2022-10-10 16:08:10 · 266 阅读 · 1 评论 -
Fast Spectral Clustering With Anchor Graph
数据可看作三维立方体,有复杂空间结构,其中每一个像素点抽取出来都是一条连续的光谱曲线。X,Y轴表示空间信息,Z轴表示光谱信息。HSI聚类的目的:将给定的图像分成组,使得同一组中的像素尽可能彼此相似,而分配给不同组的像素不相似。相似矩阵的构造,O(n2d)O(n^2d)O(n2d)时间复杂度拉普拉斯矩阵的特征值分解。原创 2022-10-06 17:04:46 · 1146 阅读 · 0 评论 -
The Fast Spectral Clustering Based on Spatial Information for Large Scale Hyperspectral Image
用于大型高光谱图像的基于空间信息的快速光谱聚类(FSCS)首先,基于HSI的物理特性,FSCS算法将空间信息与光谱信息相结合,利用空间最近点重构中心点,揭示局部空间结构。因此,增强了像素间的相关性,提高了聚类精度。其次,基于锚图构造新的邻接矩阵,大大降低了计算复杂度。最后,为了避免调整热核参数,FSCS采用了无参数策略。原创 2022-10-06 16:52:03 · 226 阅读 · 0 评论 -
Fast Spectral Embedded Clustering Based on Structured Graph Learning for Large-Scale Hyperspectral
基于结构图学习的大规模高光谱图像快速光谱嵌入聚类。原创 2022-10-04 20:49:07 · 504 阅读 · 0 评论