SVM加权学习下的机载LiDAR数据多元分类研究

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

SVM加权学习下的机载LiDAR数据多元分类研究

吴军, 刘荣, 郭宁, 刘丽娟

文章导航 > 武汉大学学报 ( 信息科学版) > 2013 > 38(1): 1-5

吴军, 刘荣, 郭宁, 刘丽娟. SVM加权学习下的机载LiDAR数据多元分类研究[J]. 武汉大学学报 ( 信息科学版), 2013, 38(1): 1-5.

引用本文:

吴军, 刘荣, 郭宁, 刘丽娟. SVM加权学习下的机载LiDAR数据多元分类研究[J]. 武汉大学学报 ( 信息科学版), 2013, 38(1): 1-5.

WU Jun, LIU Rong, GUO Ning, LIU Lijuan. Aerial LiDAR Data Classification Using Weighted Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 1-5.

Citation:

WU Jun, LIU Rong, GUO Ning, LIU Lijuan. Aerial LiDAR Data Classification Using Weighted Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 1-5.

SVM加权学习下的机载LiDAR数据多元分类研究

桂林电子科技大学电子工程与自动化学院, 桂林市金鸡路1号, 541004

基金项目: 国家自然科学基金资助项目(60962003);广西研究生教育创新基金资助项目(YCSZ2012074)

作者简介:
吴军,教授,博士,现从事摄影测量与遥感、计算机视觉理论和应用研究,已发表论文30余篇。E-mail:wujun93161@hotmail.com

中图分类号: P237.4

Aerial LiDAR Data Classification Using Weighted Support Vector Machines

School of Electronic Engineering and Automation, Guilin University of Electronic Technology, 1 Jinji Road, Guilin 541004, China

摘要: 基于支持向量机统计学习分类过程中不同特征对分类结果贡献存在差异的问题,提出了支持向量机加权学习下的训练、分类新方法,以实现对城区机载LiDAR数据多元分类(地面、树木、建筑),并对特征矢量加权归一化、特征权重计算以及该方式下多元分类策略的建立进行了讨论,实验证明了该方法的有效性。
- LiDAR分类 /
- 支持向量机 /
- 监督分类
Abstract: This paper presents our research on classifying scattered 3D aerial LiDAR height data into ground,vegetable(trees) and man-made object(buildings) using improved Support Vector Machine algorithm.To this end,the most basic theory of SVM is first outlined and with the fact that features are differed in their contribution to identify certain class or classes simultaneously,Weighted Support Vector Machine(W-SVM) technique is developed for maximizing the "recognition" capacity of SVM features in classifying scattered 3D LiDAR height data.Second,we give a proof that the implement of W-SVM is equal to the features normalization multiplied by one weight that indicates feature's contribution to certain class or multi-class as a whole.The weight calculation for each feature is discussed as well.Third,Based on W-SVM technique,one 1AAA1 solution to multi-class classification is proposed by integration "one against one" and "one against all" solution together.Finally,the experiment of classifying LiDAR data with presented technique is presented and shows encouraging improvement classification accuracy,compared to tradition SVM technique.Valuable conclusions are given as well.
- aerial LiDAR /
- SVM /
- supervise classification

[1]	段佩祥, 钱海忠, 何海威, 谢丽敏, 罗登瀚. 基于支持向量机的线化简方法 . 武汉大学学报 ( 信息科学版), 2020, 45(5): 744-752, 783. doi: 10.13203/j.whugis20180434
[2]	邢汉发, 孟媛, 侯东阳, 徐海滨, 刘金然. 一种应用兴趣点数据进行地表覆盖分类的方法 . 武汉大学学报 ( 信息科学版), 2019, 44(5): 758-764. doi: 10.13203/j.whugis20170046
[3]	李鹏, 黎达辉, 李振洪, 王厚杰. 黄河三角洲地区GF-3雷达数据与Sentinel-2多光谱数据湿地协同分类研究 . 武汉大学学报 ( 信息科学版), 2019, 44(11): 1641-1649. doi: 10.13203/j.whugis20180258
[4]	鲍蕊, 薛朝辉, 张像源, 苏红军, 杜培军. 综合聚类和上下文特征的高光谱影像分类 . 武汉大学学报 ( 信息科学版), 2017, 42(7): 890-896. doi: 10.13203/j.whugis20150043
[5]	吴一全, 陶飞翔, 曹照清. 基于Log-Gabor小波和Krawtchouk矩的遥感图像分类 . 武汉大学学报 ( 信息科学版), 2016, 41(7): 861-867. doi: 10.13203/j.whugis20140234
[6]	马超, 孙群, 陈换新, 温伯威. 利用路段分类识别复杂道路交叉口 . 武汉大学学报 ( 信息科学版), 2016, 41(9): 1232-1237. doi: 10.13203/j.whugis20160073
[7]	李粉玲, 常庆瑞, 刘佳岐, 刘京. 基于多纹理和支持向量机的ZY-102C星HR数据分类 . 武汉大学学报 ( 信息科学版), 2016, 41(4): 455-461,486. doi: 10.13203/j.whugis20140356
[8]	王凯, 舒宁, 孔祥兵, 李亮. 一种多特征转换的高光谱影像自适应分类方法 . 武汉大学学报 ( 信息科学版), 2015, 40(5): 612-616. doi: 10.13203/j.whugis20130384
[9]	彭令, 牛瑞卿, 赵艳南, 邓清禄. 基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 . 武汉大学学报 ( 信息科学版), 2013, 38(2): 148-152,161.
[10]	武雪玲, 任福, 牛瑞卿, 彭令. 斜坡单元支持下的滑坡易发性评价支持向量机模型 . 武汉大学学报 ( 信息科学版), 2013, 38(12): 1499-1503.
[11]	吴佳, 蔡之华, 金晓文. 自适应差分演化算法在图像监督分类中的应用 . 武汉大学学报 ( 信息科学版), 2013, 38(1): 23-26.
[12]	巫兆聪, 欧阳群东, 胡忠文. 应用分水岭变换与支持向量机的极化SAR图像分类 . 武汉大学学报 ( 信息科学版), 2012, 37(1): 7-10.
[13]	徐侃, 杨文, 陈丽君, 孙洪. 利用主题模型的遥感图像场景分类 . 武汉大学学报 ( 信息科学版), 2011, 36(5): 540-543.
[14]	杨柳, 刘艳芳. 将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.
[15]	范千, 花向红. 基于相空间重构与支持向量机预测滑坡位移的一种新方法 . 武汉大学学报 ( 信息科学版), 2009, 34(2): 248-251.
[16]	陈刚, 鄂栋臣. 基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测 . 武汉大学学报 ( 信息科学版), 2006, 31(5): 403-406.
[17]	徐芳, 梅文胜, 燕琴. 支持向量机中遗传模糊C-均值的样本预选取方法 . 武汉大学学报 ( 信息科学版), 2005, 30(10): 921-924.
[18]	梅建新, 段汕, 秦前清. 基于支持向量机的特定目标检测方法 . 武汉大学学报 ( 信息科学版), 2004, 29(10): 912-915,932.
[19]	徐芳, 燕琴. 基于支持向量机的航空影像纹理分类研究 . 武汉大学学报 ( 信息科学版), 2003, 28(5): 517-520.
[20]	张景雄. 遥感影像的全模糊监督分类 . 武汉大学学报 ( 信息科学版), 1998, 23(3): 211-214.

WeChat

点击查看大图

计量

文章访问数: 523
HTML全文浏览量: 49
PDF下载量: 82
被引次数: 0

SVM加权学习下的机载LiDAR数据多元分类研究

桂林电子科技大学电子工程与自动化学院, 桂林市金鸡路1号, 541004

基金项目: 国家自然科学基金资助项目(60962003);广西研究生教育创新基金资助项目(YCSZ2012074)

作者简介:
吴军,教授,博士,现从事摄影测量与遥感、计算机视觉理论和应用研究,已发表论文30余篇。E-mail:wujun93161@hotmail.com

收稿日期: 2012-11-12
刊出日期: 2013-01-05

中图分类号: P237.4

关键词:

支持向量机 /

摘要: 基于支持向量机统计学习分类过程中不同特征对分类结果贡献存在差异的问题,提出了支持向量机加权学习下的训练、分类新方法,以实现对城区机载LiDAR数据多元分类(地面、树木、建筑),并对特征矢量加权归一化、特征权重计算以及该方式下多元分类策略的建立进行了讨论,实验证明了该方法的有效性。

English Abstract

吴军, 刘荣, 郭宁, 刘丽娟. SVM加权学习下的机载LiDAR数据多元分类研究[J]. 武汉大学学报 ( 信息科学版), 2013, 38(1): 1-5.

引用本文:

吴军, 刘荣, 郭宁, 刘丽娟. SVM加权学习下的机载LiDAR数据多元分类研究[J]. 武汉大学学报 ( 信息科学版), 2013, 38(1): 1-5.

WU Jun, LIU Rong, GUO Ning, LIU Lijuan. Aerial LiDAR Data Classification Using Weighted Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 1-5.

Citation:

WU Jun, LIU Rong, GUO Ning, LIU Lijuan. Aerial LiDAR Data Classification Using Weighted Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 1-5.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码