近日,西安科技大学、中国科学院空天信息研究院和埃斯特雷马杜拉大学(西班牙)联合在IEEE Transactions on Cybernetics (IEEE TCYB)发表了题为“NSCKL: Normalized Spectral Clustering With Kernel-Based Learning for Semisupervised Hyperspectral Image Classification”的研究论文。我院遥感系苏远超老师为该论文第一作者,这是西安科技大学首次以第一作者和第一完成单位在IEEE TCYB上发表的学术论文。
![](/__local/F/84/A1/AF719AF630FB33A63B006F896A1_08DB41C7_1F27E.png)
IEEE TCYB是计算机、自动化控制和人工智能三大领域的最顶级期刊之一,年接受率10 %左右,中科院一区,JCR一区,2022年影响因子19.118,研究类文章占比99.84 %,收稿范围包括智能控制、计算机视觉、图像处理、神经网络、机器学习、认知决策和机器人学等。
![](/__local/A/3A/78/CA6F9D0FB92461CB8B735036EF7_2EF6C49A_33594.png)
空谱分类(SSC)是目前高光谱图像分类方法研究发展的主流方向。但大多数SSC方法主要考虑局部相邻信息来辅助分类,因此,当有些相关性出现在非相邻的区域时,可能无法被有效发现和利用。尽管当前很多SSC方法可以获得“空间上下文”特征,但这些方法通常缺乏对非欧氏空间相关性的考虑。为了解决上述问题,我们开发了一种新的半监督分类方法,称为“NSCKL”。NSCKL可以聚合局部到全局的相关性来实现特征表示,进而提高地物分类的表现。在这项工作中,首先设计了一种正则化的谱聚类方案,称为“NSC。NSC可以通过迭代学习为无向图建立建立顶点,目的是将初始连接分配给与像素相关的节点。利用NSC先在欧几里得空间中收集局部相关性,然后结合基于核的机器学习在流形中捕获全局相关性,即使均匀像素分布在非连续区域,NSCKL仍然可以生成一种聚合特征来捕获全局相关性,聚合特征能帮助分类器大幅度提升地物分类的准确性。
![](/__local/2/15/43/C1CC8FE25A8A2F192B9D756A88D_CEF61AED_42BCC.png)
![](/__local/2/99/EE/769FA4938F7E27EC09DCDF42C2E_0B4B56C2_BE4E1.png)
![](/__local/C/70/84/D515E6E519ABC4F05EE3D22A807_040BAC14_9CFDE.png)
苏远超博士,2019年12月毕业于中山大学,2013年9月-2015年8月,作为交流学生在中科院遥感与数字地球研究所从事遥感图像处理研究,2018年8月-2019年8月,作为访问学者,在田纳西大学(美国)计算机系访学并从事深度学习相关研究,2019年12月入职西安科技大学(讲师,硕士生导师),目前主持国家自然科学基金1项,省部级项目2项。截止目前,苏远超博士以第一作者身份在遥感数据智能化处理方面发表SCI论文6篇(ESI高被引1篇)、EI论文7篇。此外,苏远超博士作为IEEE国际遥感协会(IEEE GRSS)成员长期担任IEEE Transactions on Geoscience and Remote Sensing (IEEE TGRS)、IEEE Geoscience and Remote Sensing Letters (IEEE GRSL)、IEEE Journal of Selected Topics in Applied Earth Observations (IEEE JSTARS)、Journal of Applied Remote Sensing (JARS)等多个遥感领域SCI期刊的审稿人。
![](/__local/3/7F/7A/5C7662E7E478AD343028BFC182D_2FA88A54_1B513.png)