小样本高光谱图像非线性多特征学习分类器提升

本文主要探讨了在高光谱图像（HSI）分类任务中，面对小样本集问题时，如何利用非线性多特征学习来提升分类器的性能。研究者提出了一种创新的算法，即自适应加权非线性联合协作表示（Nonlinear Multiple Feature Learning Classifier, NL-CR）模型。这一模型的核心思想是将高光谱图像的特征通过基于列生成（Column Generation, CG）技术映射到内核空间，以便更好地捕捉数据的非线性关系。 NL-CR模型的关键在于其联合协作表示框架，它结合了多任务学习的优势，通过共享特征表示来提高整体分类的准确性。算法采用交替优化策略，针对每个特征赋予自适应权重，这使得模型能够动态地调整不同特征的重要性，避免过拟合或欠拟合的问题。这种方法有效地提高了模型对小样本的泛化能力，对于那些在传统方法中表现不佳的复杂HSI分类任务尤为有效。 实验部分展示了NL-CR算法在实际应用中的优越性，对比了其与回归基分类器和其他经典支持向量机（SVM）分类器的结果。结果显示，NL-CR算法不仅在精度上表现出色，而且在处理有限训练样本的情况下，能提供更稳定和可靠的分类性能。这表明该算法在解决高光谱图像分类问题的小样本挑战方面，具备显著的优势，有望成为未来HSI分类领域的研究热点。 总结来说，这篇论文主要贡献在于提出了一种有效的策略，即通过自适应加权非线性联合协作表示，来克服高光谱图像分类中的小样本问题。这种方法在提升分类性能的同时，还展示了在处理复杂、高维数据集时的优势，对于推动高光谱图像分析技术的发展具有重要意义。