該項成果在多光譜遙感影像分類中，引入半監(jiān)督學(xué)習(xí)期望利用大量未標記樣本輔助少量標記樣本進行學(xué)習(xí)，從而提高分類效果。但是，實驗表明在分析過程中大量的未標記樣本會導(dǎo)致估計偏差。研究證明，半監(jiān)督學(xué)習(xí)和增量學(xué)習(xí)相結(jié)合，采用合理的數(shù)據(jù)選擇策略，可以部分地解決以上問題，提高半監(jiān)督學(xué)習(xí)的性能。然而，在增量學(xué)習(xí)過程中，不斷選擇樣本進行標記時，重復(fù)學(xué)習(xí)已經(jīng)學(xué)習(xí)過的知識，可能會引起穩(wěn)定性/可塑性兩難問題。為了避免重復(fù)學(xué)習(xí)，利用半監(jiān)督學(xué)習(xí)對多光譜遙感圖像分類時，同時應(yīng)用增量學(xué)習(xí)和減量學(xué)習(xí)有效地平衡了以上問題。從而，提出一種增/減量式半監(jiān)督吸引子傳播模型。實驗結(jié)果表明，從總體精度上都優(yōu)于兩種常用的半監(jiān)督聚類算法及增量式吸引子傳播算法。同時，也可以和簡單的監(jiān)督學(xué)習(xí)算法相競爭。增/減量式半監(jiān)督吸引子傳播有效地解決了半監(jiān)督學(xué)習(xí)中學(xué)習(xí)偏差問題和穩(wěn)定性/可塑性兩難問題，提高了多光譜遙感圖像分類的精度；為如何更加有效地利用僅有的少量標記樣本對大量未標記樣本進行分析提供了新的手段和方法；深化了吸引子傳播和半監(jiān)督學(xué)習(xí)在多光譜遙感圖像分類方面的應(yīng)用研究。

以上研究成果發(fā)表在遙感圖像處理國際知名雜志IEEE Transations on Geoscience and Remote Sensing(IEEE TGRS) (2013,51(3), 1666-1679) (IF 3.467)上。研究成果已被國際重要期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEETPAMI)(IF5.781), IEEE TGRS (IF 3.514)、IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (IEEEJSTARS)(IF 3.026)等期刊論文引用；武漢大學(xué)“”特聘教授，973首席科學(xué)家張良培教授在發(fā)表于IEEE TGRS (2015,53(8), 4202-4217)中多次引用了代表性成果中涉及的工作。美國德克薩斯大學(xué)Haris Vikalo教授發(fā)表于IEEE PAMI (2015,37(5),1041-1052)中的論文對該項研究成果的工作進行了大段引用。