文献

J-GLOBAL ID：201602276319422951   整理番号：16A1281499

マルチタスクジョイントスパース表現と段階的MRF(Markov確率場)最適化によるハイパースペクトル画像分類【Powered by NICT】

Hyperspectral Image Classification via Multitask Joint Sparse Representation and Stepwise MRF Optimization

著者 (3件)： Yuan Yuan (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China) ,  Lin Jianzhe (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China) ,  Wang Qi (School of Computer Science and the Center for Optical Imagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 46  号： 12  ページ： 2966-2977  発行年： 2016年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  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)分類はリモートセンシングにおける重要な問題である。正確な分類は土地利用解析と海洋資源利用のような多数の応用に有利である。しかし,高いデータ相関は信頼できる分類の困難さをもたらし,特に豊富なスペクトル情報を用いたHSI。さらに,伝統的な方法は,しばしば分類性能を制限するHSIの空間コヒーレンスを十分考慮できない。これら固有障害物に対処するために,新しいスペクトル-空間分類スキームを提案した。提案した方法は,主にマルチタスクジョイントスパース表現(MJSR)と段階的Markov確率場フレームワーク,この手順における二つの主要な寄与であると主張されているに焦点を当てた。MJSRはスペクトル冗長性を低減するのみならず,分類中のスペクトルにおいて必要な相関を保持していた。第二に,段階的最適化は,分類精度とロバスト性を著しく増強することを空間的相関を調べた。いくつかの普遍的な品質評価指標に関する限り,インドマツとPavia大学上での実験結果により,最先端の競争相手と比較してこの方法の優位性を示した。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： リモートセンシング ,  *最適化 ,  土地利用 ,  冗長性 ,  *スペクトル ,  ロバスト性
準シソーラス用語： 品質評価 ,  分類精度 ,  空間コヒーレンス ,  *ハイパースペクトル画像 ,  *Markov確率場 ,  *スパース表現 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： マルチタスク ,  ジョイント ,  スパース表現 ,  段階 ,  MRF ,  Markov確率場 ,  最適化 ,  ハイパースペクトル画像分類