文献

J-GLOBAL ID：201702276929791969   整理番号：17A1629009

スペクトル-空間,高次統計量と多重フラクタルスペクトル特徴を用いたハイパースペクトルデータ分類における積層スパース自動符号器【Powered by NICT】

Stacked sparse autoencoder in hyperspectral data classification using spectral-spatial, higher order statistics and multifractal spectrum features

著者 (4件)： Wan Xiaoqing (College of Information and Communication Engineering, Harbin Engineering University, Harbin 150000, China) ,  Zhao Chunhui (College of Information and Communication Engineering, Harbin Engineering University, Harbin 150000, China) ,  Wang Yanchun (College of Communication and Electronic Engineering, Qiqihar University, Qiqihar 161000, China) ,  Liu Wu (College of Information and Communication Engineering, Harbin Engineering University, Harbin 150000, China)
資料名： Infrared Physics & Technology  (Infrared Physics & Technology)
巻： 86  ページ： 77-89  発行年： 2017年 
JST資料番号： H0184A  ISSN： 1350-4495  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： 本論文では,特徴レベル融合と深い学習ベース方法論を用いたハイパースペクトル画像(HSI)用の斬新な分類パラダイムを提案した。運転は三つの主要ステップで実行される。最初に,前処理段階で,波動原子はバイラテラルフィルタ平滑HSIに紹介し,この戦略は効果的に雑音を減衰させ,テクスチャ情報を回復させることができる。一方,高品質のスペクトル-空間特徴を同時に考慮画素間の幾何学的近接性と測光類似性を用いてHSIから抽出できる。第二に,最初にスペクトル曲線の位相相関を特性化するためのハイパースペクトルデータ分類に導入した高次統計量技術。第三に,抽出したスペクトル形状の特異性と自己相似を特性化しマルチフラクタルスペクトル特徴。この目的のために,特徴レベル融合は高次統計量とマルチフラクタルスペクトル特徴と共に抽出したスペクトル-空間特徴に適用した。最後に,積層スパースオートエンコーダを用いて多重特徴集合から,一層抽象的かつ不変高レベル特徴を学習するために,ランダムフォレスト分類器を用いて,教師つき微調整と分類を行うことである。二実際のハイパースペクトルデータセット上での実験結果により,提案した方法は,いくつかの伝統的な代替案よりも優れていることを実証した。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： *高次統計量 ,  *フラクタル ,  学習 ,  画素 ,  *多重化 ,  キャラクタリゼーション ,  *スペクトル ,  雑音 ,  *透視図法 ,  類似性 ,  前処理
準シソーラス用語： テクスチャ ,  ハイパースペクトル画像 ,  *ハイパースペクトルデータ ,  *スペクトル特徴 , 【Automatic Indexing@JST】

著者キーワード (5件)： 分類 ,  ハイパースペクトル画像 ,  特徴レベル融合(FLF) ,  積層スパース自動符号器(SSA) ,  ランダム森林(RF)

分類 (2件)： 赤外・遠赤外領域の測光と光検出器  (BD07032W) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： スペクトル ,  高次統計量 ,  多重 ,  フラクタル ,  スペクトル特徴 ,  ハイパースペクトルデータ ,  分類 ,  符号器