Jan, 2019

可学习流形对齐（LeMA）：一种半监督跨模态学习框架用于土地覆盖和土地利用分类

PDF
TL;DR本文提出了一种称为可学习流形对齐（LeMA）的新型半监督交叉模态学习框架，通过学习一种联合图结构来捕获数据分布，从而实现更准确的决策边界，以解决遥感图像分类中使用大量谱变化模糊的多光谱数据所带来的挑战。
cross-modality learningremote sensinghyperspectral datasemi-supervised learningmanifold alignment
发现论文，激发创造
  • 半监督多模态遥感图像流形对齐

    本文提出了一种半监督流形对齐方法，可以处理不同模式 (或领域) 的遥感图像，涉及多时间序列、多源、多传感器和多角度图像。该方法直接在图像的流形空间上进行对齐，并能够处理分辨率不同的图像。 在多角度、多时间序列和多源图像分类问题上，该方法表现出很好的性能和准确性。

    Apr, 2021

  • 核流形对齐

    介绍了一种名为 KEMA 的核方法用于流形对齐和领域调适，具有多种有趣的属性，且在合成例子、物体识别和人脸表情识别任务中表现出了良好的性能。

    Apr, 2015

  • 远程感知中高效的谐调迁移学习与模态对齐

    通过采用 “Harmonized Transfer Learning and Modality Alignment (HarMA)” 方法，本研究在遥感领域中实现了优异的性能，同时最小化了训练开销，通过满足任务约束、模态对齐和单模态统一对齐三个目标，而不需要外部数据进行训练。

    Apr, 2024

  • Few-Shot 土地覆盖分类的元学习

    本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

    Apr, 2020

  • 基于均匀地标采样和约束局部线性嵌入的可伸缩流形学习

    基于机器学习和数据科学的关键方法之一，流形学习旨在揭示高维空间中复杂非线性流形内部的内在低维结构。我们提出了一种可扩展的流形学习方法，可以高效地处理大规模和高维数据，从而应用于可视化、分类等领域。

    Jan, 2024

  • 面流形对齐用于语义对准风格迁移

    本文提出了基于流形对齐的样式转换方法（MAST），通过假设图像的特征分布符合多重流形分布的假设，可以学习到图像的语义区域与样式模式的匹配关系，通过自适应权重跳跃连接网络结构来保留内容的细节，从而实现艺术风格和真实感风格的转换。

    May, 2020

  • 通用少样本遥感：基于混合语义分割框架的地貌涵盖映射中的新类发现

    提出了一种名为 SegLand 的广义少样本分割框架，用于在高分辨率土地覆盖映射中更新新颖类别，实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。

    Apr, 2024

  • 基于流形嵌入分布对齐的视觉领域自适应

    该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

    Jul, 2018

  • 多变体划分混合：一种用于严重标签噪声的半监督对比学习框架

    本文提出了一种基于自监督训练的方法，通过利用所有训练数据的信息，为每个样本提取有意义且可泛化的嵌入空间，从而去除 out-of-distribution 样本，并使用迭代的 Manifold DivideMix 算法找到干净和有噪音的样本，以半监督的方式训练模型。此外，我们还提出了一种名为 MixEMatch 的半监督算法，其中包括在模型的输入和最终隐藏表示中进行 mixup 增强，通过在输入和流形空间进行插值提取更好的表示。对多个合成噪声图像基准和真实世界的网络爬取数据集进行的广泛实验证明了我们提出的框架的有效性。代码可在此 https URL 找到。

    Aug, 2023

  • 学习神经场的信号不可知流形

    通过利用神经网络学习数据集的潜在结构，构建 GEM 模型，实现跨模态音像的模态无关表达与样本生成

    Nov, 2021