Remote Sensing Technology and Application, Volume. 39, Issue 3, 527(2024)
Topic Model for High Resolution Remote Sensing Data Interpretation: A Review
Figures & Tables(11)
Table 1.
Comprehensive applications of topic model for remote sensing images View tableView in ArticleTable 1.
Comprehensive applications of topic model for remote sensing images 主要应用 最新进展 场景分类 Lienou等[ 1 ];Zhong等[18 ]语义分割 Tang等[ 29 ]；Ruben等[32 ]目标识别 Zhang等[ 30 ]灾难监测 Cheng等[ 33 ]光谱解混 Jaramago等[ 10 ]LiDAR点云分类 Kang等[ 31 ]超分辨率重建 Polatkan等[ 34 ]
Table 2.
Topic numbers K and word numbers V values for the different methods for the UC Merced Dataset View tableView in ArticleTable 2.
Topic numbers K and word numbers V values for the different methods for the UC Merced Dataset 实验方式 词典数V 主题数K pLSA[ 42 ]1 000 270 LDA[ 37 ]1 000 240 SAL-LDA[ 18 ]3 000 210 FSSTM[ 38 ]2 800 840
Table 3.
Classification Accuracy （%） of the Different Methods for the UC Merced Dataset View tableView in ArticleTable 3.
Classification Accuracy （%） of the Different Methods for the UC Merced Dataset 实验方式 精度/% 主题模型 单特征 pLSA[ 42 ]89.51±1.31 LDA[ 37 ]81.27±2.01 多特征 SAL-LDA[ 18 ]88.33±1.76 FSSTM[ 38 ]95.71±1.01 与深度学习结合 AlexNet[ 44 ]94.37±0.00 VGG-19[ 44 ]93.15±0.00 RNBFE[ 44 ]97.92±0.00 ADSSM[ 45 ]99.76±0.24
Table 4.
Topic numbers K and word numbers V values for the different methods for the QuickBird image View tableView in ArticleTable 4.
Topic numbers K and word numbers V values for the different methods for the QuickBird image 实验方式 词典数V 主题数K msLDA[ 29 ]2 000 7 ssLDA[ 41 ]2 000 10
Table 5.
Classification accuracy （%） of different methods for the QuickBird image View tableView in ArticleTable 5.
Classification accuracy （%） of different methods for the QuickBird image 实验方式 msLDA[ 29 ]ssLDA[ 41 ]Kappa系数 62.84 74.70 水体 / 97.23 建筑 / 81.45 空地 / 92.08 道路 / 34.09 阴影 / 64.26 树木 / 77.62
Table 6.
the definition of the acronyms in the literature View tableView in ArticleTable 6.
the definition of the acronyms in the literature 缩写 中文名称 英文名称 BoVW 视觉词袋模型 Bag of Visual Words pLSA 潜在概率语义分析 probabilistic latent semantic analysis LDA 潜在狄利克雷分布 Latent Dirichlet allocation SVM 支持向量机 Support Vector Machine FSTM 全稀疏主题模型 Fully Sparse Topic Model GTM 图主题模型 Graph Topic Model sDTM 监督贝叶斯深度主题模型 Supervised Bayesian Deep Topic Model NTM 神经主题建模 Neural Topic Modeling RNN 循环神经网络 Recurrent Neural Networks LiDAR 激光探测及测距系统 Light Detection and Ranging SAR 合成孔径雷达 Synthetic Aperture Radar SIFT 尺度不变特征变换 Scale-invariant Feature Transform MSI 多光谱影像 Multispectral Image DEpLSA 双深度稀疏概率潜在语义分析 Dual-Depth Sparse Probabilistic Latent Semantic Analysis SAL-LDA 基于语义分布的潜在狄利克雷分布 Semantic Allocation Level- Latent Dirichlet allocation FSSTM 全稀疏语义主题模型 Fully Sparse Semantic Topic Model RNBFE 基于残差网络的特征提取 Residual Network-based Features Extraction ADSSM 自适应深度稀疏语义建模框架 Adaptive Deep Sparse Semantic Modeling Framework msLDA 多尺度潜在狄利克雷分布 Multiscale Latent Dirichlet Allocation ssLDA 半监督潜在狄利克雷分布 Semisupervised Latent Dirichlet Allocation
Table 7.
Summary of the strengths and weaknesses of different topic models View tableView in ArticleTable 7.
Summary of the strengths and weaknesses of different topic models 主题模型 优点 缺点 经典模型 BoVW 使用了恰当的方式选取了具有代表性的因素来线性地表征影像信息 基于底层特征的描述无法很好地描述复杂场景 pLSA 更清楚地再现了从特征到场景再到影像的整个过程 容易过拟合 LDA 克服了过拟合现象，使得整个模型更贴合真实情况 无法很好地处理多源遥感数据 FSTM 能生成场景的稀疏又有代表性的特征表达 主题数需人为确定 与深度学习结合 利用深度学习网络加强主题建模，更易贴合实际场景 需要大量的训练样本训练模型 传统模型优化 融合不同的主题模型来实现模型间的互补 难以提取与理解的场景高层特征
Tools
Get Citation
Copy Citation Text
Zhen LI, Qiqi ZHU, Yang LEI, Jiangqin WAN, Linlin WANG, Lei XU. Topic Model for High Resolution Remote Sensing Data Interpretation: A Review[J]. Remote Sensing Technology and Application, 2024, 39(3): 527
Paper Information
Category:
Received: Sep. 11, 2020
Accepted: --
Published Online: Dec. 9, 2024
The Author Email: ZHU Qiqi (zhuqq@cug.edu.cn)
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20