多视图主动学习的多样性样本选择方法研究

陈立伟，房赫，朱海峰

（哈尔滨工程大学 信息与通信工程学院,黑龙江 哈尔滨 150001）

随着遥感技术的迅速发展，高光谱图像(hyperspectral image，HSI)在土地覆盖物分类中得到了广泛的应用[1-3]。训练一个HSI 分类器，通常需要大量的标记样本，而标记样本的采集过程既昂贵又费时[4-5]。主动学习(active learning，AL)方法可以有效解决HSI 标记样本少的问题[6-7]。在AL方法中，多视图主动学习(multiview active learning,MVAL)方法可以从多个视图中提取互补信息，大大减少训练样本的数量[8-10]。

学者们对MVAL 的样本选择方法展开了广泛研究：文献[11]提出了自适应最大不一致(adaptive maximum disagreement,AMD)的样本选择方法，该方法利用各分类器对样本预测结果的不一致性选择样本；文献[12] 提出了加权投票熵(weighted voting entropy,WVE)的样本选择方法，由于不同视图对于不同类别的区分能力不同，该方法通过各视图的权重体现了不同视图对样本的辨别能力的差异；文献[13]提出了一种IEUE 样本选择方法，该方法综合考虑了视图内和视图间的不确定性。这些方法均取得了良好的分类结果，但是这些方法只考虑了样本的不确定性，没有考虑样本的多样性，导致所选样本中存在冗余。并且，随着迭代次数的增加，不同视图训练的分类器会趋同，具有相同的分歧程度的样本越来越多，样本冗余问题会进一步加剧[11-14]。

目前，学者们对MVAL 中所选样本的多样性研究较少。文献[15]提出了一种用于MVAL 的基于聚类的多样性样本选择方法，该方法采用局部聚类密度度量方法对HSI 样本进行聚类，采用光谱角距离作为聚类的距离准则。……