文献

J-GLOBAL ID：201602271993101072   整理番号：16A0767238

ハイパースペクトル画像の特徴抽出のための半教師付きスパースマニホールド判別分析【Powered by NICT】

Semisupervised Sparse Manifold Discriminative Analysis for Feature Extraction of Hyperspectral Images

著者 (4件)： Luo Fulin (Key Laboratory of Optoelectronic Technology and Systems of the Education Ministry of China, Chongqing University, Chongqing, China) ,  Huang Hong (Key Laboratory of Optoelectronic Technology and Systems of the Education Ministry of China, Chongqing University, Chongqing, China) ,  Ma Zezhong (Chongqing Institute of Surveying and Planning for Land, Chongqing, China) ,  Liu Jiamin (Key Laboratory of Optoelectronic Technology and Systems of the Education Ministry of China, Chongqing University, Chongqing, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 54  号： 10  ページ： 6197-6211  発行年： 2016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： グラフ埋込み(GE)フレームワークである分類のためのハイパースペクトル画像(HSI)の識別特徴を抽出するために非常に有用である。しかし,GEの大きな課題は,グラフ構築のための適切な近傍サイズを選択するかということである。この欠点を克服するために,半教師つきスパースマニホールド判別分析(S3MDA)法と呼ばれる新しい半教師つき識別学習アルゴリズムは,多様体スパース表現(MSR)とGEを用いて提案した。提案したアルゴリズムは,ラベル付きデータおよびラベル無しサンプルのスパースな係数を得るために,MSR利用する。クラス内グラフとラベル付けされた標本のスパース係数と同様に,ラベルなしサンプルのスパース係数を持つ教師なしグラフを用いたクラス間グラフを構築した。最後に,低次元空間でのHSIの特徴抽出(FE)のための射影行列を得るためにこれらのグラフを使用している。S 3MDa法はデータのスパースマニホールド特性を明らかにするために,MSRの利点を継承するだけでなく,分類のための識別能力を改善するために,クラス間分離可能性およびクラス内コンパクト性を向上させた。反射光学システムイメージング分光計データと航空機搭載可視/赤外画像分光計を用いて得られた二実際のHISデータセット上での包括的な実験を行い,提案したアルゴリズムは,分類精度の意味でその他の最先端FE法に有意に優れていることを示した。Copyright 2016 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： *透視図法 ,  *特徴抽出 ,  分光計 ,  *判別分析 ,  アルゴリズム ,  学習アルゴリズム ,  赤外線画像
準シソーラス用語： 分類精度 ,  データセット ,  航空機搭載 ,  画像分光計 ,  射影行列 ,  低次元 ,  スパース表現 ,  *ハイパースペクトル画像 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (4件)： ハイパースペクトル画像 ,  特徴抽出 ,  教師 ,  判別分析