文献

J-GLOBAL ID：201702246968221444   整理番号：17A0054667

ハイパースペクトルターゲット検出のためのジョイントスパース表現とマルチタスク学習【Powered by NICT】

Joint Sparse Representation and Multitask Learning for Hyperspectral Target Detection

著者 (4件)： Zhang Yuxiang (Institute of Geophysics and Geomatics, China University of Geosciences, Wuhan, China) ,  Du Bo (School of Computer, Wuhan University, Wuhan, China) ,  Zhang Liangpei (State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, Wuhan, China) ,  Liu Tongliang (Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, NSW, Australia)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 55  号： 2  ページ： 894-906  発行年： 2017年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高スペクトル分解能により,ハイパースペクトル画像(HSI)は,ターゲット検出,HSI処理においてますます重要な役割を果たしているが大きな可能性を提供する。多くの標的検出法は,すべてのスペクトル情報を利用する均一またはターゲットとバックグラウンドを識別するための減少したスペクトル情報を採用した。同時にスペクトル冗長性を低減し,識別情報を保持するハイパースペクトル標的検出における挑戦的な問題である。マルチタスク学習(MTL)法は,上記の問題を解決する可能性がある,複数のサブHSIを構築し,情報損失なしにそれらを統合する冗長知識を探ることができるからである。ジョイントスパース表現とハイパースペクトルターゲット検出のためのMTL(JSR MTL)法を提案した。アプローチ1)複数サブHSIを構築するために,バンド交差グルーピング戦略によるHSI類似性を調べた;2)複数の関連するサブHSIのためのスパース表現モデルを統合するためのMTL技術の完全な利点をもつ及び3)ターゲットを検出するためのすべてのタスク上で蓄積された全再構成誤差を適用した。三HSIで行った広範な実験,JSR MTLは一般的に他の標的検出法より良好な検出性能を示すことが分かった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 類似性 ,  スペクトル分解 ,  再構成 ,  *スペクトル ,  冗長性
準シソーラス用語： 検出能 ,  データ損失 ,  識別子 ,  ハイパースペクトル画像 ,  *スパース表現 ,  *ターゲット検出 ,  *ハイパースペクトル , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： ハイパースペクトル ,  ターゲット検出 ,  ジョイント ,  スパース表現 ,  マルチタスク学習