文献

J-GLOBAL ID：201702258876949571   整理番号：17A0368806

ハイパースペクトル画像の分類のための二重層教師付きMahalanobisカーネル【Powered by NICT】

A dual-layer supervised Mahalanobis kernel for the classification of hyperspectral images

著者 (5件)： Li Li (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Sun Chao (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Lin Lianlei (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Li Junbao (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Jiang Shouda (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 214  ページ： 430-444  発行年： 2016年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 各クラスの重みを考慮せずにマトリックスを学習する従来のMahalanobis距離メトリック学習(DML)法の欠点を解決するために,本論文では,新しい二重層教師つきMahalanobisカーネルは,ハイパースペクトル画像の分類のための提案した。伝統的な教師なしMahalanobisカーネルを修正することにより,より多くのハイパースペクトル画像における異なるタイプの実際の材料の相対論情報を含む教師つきMahalanobisマトリックスは新しいカーネルを得るために学習される。提案したMahalanobisマトリックスは二段階で得られた。段階1では,生データをマッピングするためにすべての試料を用いて初めて伝統的Mahalanobisマトリックスを学習する。ステップ二では,最初のマトリックスによりマップされたデータに基づいて,すべてのクラスからのいくつかのハードセグメントと同一クラスを,これらのデータを用いて二Mahalanobisマトリックスを学習する。最後に,これらの二種のマトリックスを組み合わせることにより,著者らはMahalanobisカーネルの新しい形式を構築した。シミュレーション実験により,三つの実際のハイパースペクトルデータセットを行った。次元縮小されたデータを分類し,様々な側面からいくつかの方法と比較するためにカーネルベース分類器としてSVM(サポートベクトルマシン)を用いた。結果は,提案方法がハードセグメントと同一クラス,特に極端な条件下での分類において他の教師なしまたは単層DMLの方法よりも優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 単一層 ,  相対論 ,  *次元縮小 ,  サポートベクトルマシン ,  シミュレーション
準シソーラス用語： ハードセグメント ,  生データ ,  メトリック学習 ,  Mahalanobis距離 ,  *二重層 ,  *ハイパースペクトル画像 , 【Automatic Indexing@JST】

著者キーワード (4件)： ハイパースペクトル画像の分類 ,  Mahalanobisカーネル ,  教師つき学習 ,  SVM

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： ハイパースペクトル画像 ,  分類 ,  二重層 ,  教師 ,  カーネル