科创中国

       该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量， 在有效提高类别区分度和空间表征能力的同时， 提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。

主要技术指标：

不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参 阅表 1。

（1）相比于传统分类器SVM，OA提高了约 15%； 相比于JCR方法，OA提高了约2-4%。

（2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果， 同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错 分样本的数量，改善了过平滑的分类效果。参见表 1 。

（3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。