文献

J-GLOBAL ID：201702277935303750   整理番号：17A0825654

アンサンブル識別局所メトリック学習を用いたハイパースペクトル画像の次元縮小と分類【Powered by NICT】

Dimensionality Reduction and Classification of Hyperspectral Images Using Ensemble Discriminative Local Metric Learning

著者 (4件)： Dong Yanni (State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, 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) ,  Zhang Lefei (School of Computer, Wuhan University, Wuhan, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 55  号： 5  ページ： 2509-2524  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： ハイパースペクトル画像(HSI)の高次元データ空間はしばしば悪条件定式化に帰着し,これは最終的に高次元特徴空間空の多く,主に部分空間に存在する有用なデータをもたらした。これらの問題を回避するために,ここでは,次元縮小のための距離メトリック学習を用いた。距離メトリック学習の目的は,データの次元を縮小することにより,豊富な識別情報を取り込むことである。大域的計量学習は,すべての訓練サンプルには適していないことを考慮して,本論文では,HSI分析のためのアンサンブル識別局所メトリック学習(EDLML)アルゴリズムを提案した。EDLMLアルゴリズムは,訓練サンプルとそれらの相対的近傍の両方からロバストな局所計量を学習し,領域によるデータ領域を扱うことにより異なる局所識別的距離計量を考察した。すべて同じクラス内のサンプルができるだけ近くに保つために部分空間を学習することを目的とした,一方,異なるクラスからそれらを分離した。学習局所基準は,アンサンブル距離を構築した。多くの異なるハイパースペクトルデータセットの上での実験を行い,他の次元縮小法と比較して,提案したEDLMLアルゴリズムの有効性を確認した。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： *学習 ,  アルゴリズム ,  定式化 ,  ロバスト性 ,  高次元 ,  *次元縮小
準シソーラス用語： 識別子 ,  距離メトリック学習 ,  部分空間 ,  特徴空間 ,  高次元データ ,  *ハイパースペクトル画像 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  リモートセンシング一般  (AD04000L) ,  情報収集・整理  (AC04000I)

タイトルに関連する用語 (6件)： アンサンブル ,  識別 ,  メトリック学習 ,  ハイパースペクトル画像 ,  次元縮小 ,  分類