报告名称：基于协同表示的高光谱遥感集成学习分类方法

主办单位：英国立博官网中文版

报告专家：苏红军

专家所在单位：河海大学

报告时间：2020年7月18日周六10: 30—12:30

报告地点：腾讯会议647 240 555

专家简介：苏红军，河海大学地球科学与工程学院教授、博士生导师，现任河海大学测绘科学与工程系副主任。入选江苏高校“青蓝工程”、江苏省测绘地理信息优秀青年科技工作者、河海大学首批“大禹学者”等。美国威斯康星大学麦迪逊分校访问学者。主要从事高光谱遥感、遥感信息智能处理、资源环境遥感等方面的研究工作。

主持国家自然科学基金项目3项、江苏省自然科学基金等项目10余项。发表SCI检索论文30余篇，获授权国家发明专利4项，参编教材和专著2部。研究成果获江苏省测绘地理信息科技进步奖一等奖。现为IEEE JSTARS副主编，IEEE高级会员，Remote Sensing期刊客座编辑。兼任中国地理信息产业协会理论与方法工作委员会委员、国际数字地球学会中国国家委员会虚拟地理环境专业委员会委员、江苏省测绘地理信息学会时空大数据专委会秘书长。曾受邀担任WHISPERS、IGARSS等学术研讨会的分会场主席；2016年被评为IEEE JSTARS BEST REVIEWER。

报告摘要：高光谱遥感影像分类一直是国际遥感研究的前沿和热点，但是却面临小样本、高维特征、分类器稳定性等问题；因此现有研究主要集中于样本、特征、分类器等三方面。随着集成学习理论的快速发展，现有研究已经证明通常情况下集成分类器的预测能力要比单个分类器的预测能力强，可以利用分类器集成技术实现高光谱遥感影像的精准分类。本报告主要针对小样本情况下的高光谱遥感影像分类，结合集成学习和切空间协同表示分类器，研究了样本层高光谱遥感分类器集成学习分类框架：1）样本重采样方面采用Bagging算法实现，提出了TCRC-bagging算法，通过多次选取不同的训练集增加基分类器间的差异性，从而提高集成分类器的泛化能力和分类性能；2）样本权重调整方面利用AdaBoost算法实现，提出了TCRC-boosting算法，在训练迭代过程中不断调整训练样本的权重和各基分类器的权重，提升了分类性能。本报告提出的方法充分利用了协同表示和集成学习对小样本数据处理的优势，进一步提升了高光谱遥感影像分类的准确性和可靠性。

邀请人：彭江涛