文献

J-GLOBAL ID：201802242373559066   整理番号：18A1072926

ハイパースペクトル画像における空間スペクトル結合特徴抽出のためのハイパーグラフ埋込み【JST・京大機械翻訳】

Hypergraph Embedding for Spatial-Spectral Joint Feature Extraction in Hyperspectral Images

著者 (5件)： Sun Yubao (Jiangsu Key Laboratory of Big Data Analysis Technology, Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China) ,  Wang Sujuan (Jiangsu Key Laboratory of Big Data Analysis Technology, Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China) ,  Liu Qingshan (Jiangsu Key Laboratory of Big Data Analysis Technology, Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China) ,  Hang Renlong (Jiangsu Key Laboratory of Big Data Analysis Technology, Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China) ,  Liu Guangcan (Jiangsu Key Laboratory of Big Data Analysis Technology, Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 9  号： 5  ページ： 506  発行年： 2017年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトル画像(HSIs)における空間とスペクトル情報の融合は分類精度を改善するために有用である。しかしながら,このアプローチは通常,より高い次元の特徴をもたらし,次元問題のcurは,訓練サンプルの数と特徴の次元の間の小さな比率から生じる可能性がある。この問題を容易にするために,ハイパーグラフ埋込みに基づく空間スペクトル特徴抽出のための新しいアルゴリズムを提案した。最初に,各HSI画素を頂点と見なし,拡張形態プロファイル(EMP)とスペクトル特徴の結合を頂点に関連する特徴として採用した。次に,ハイパーグラフをK-Nearest Neighbor法によって構築し,各画素とその大部分のK関連画素を,HSI画素間の複雑な関係を表すための1つのハイパーエッジとしてリンクした。第二に,ハイパーグラフ埋込みモデルを設計し,HSIの幾何学的構造の保存により低次元特徴を学習した。また,重みづけに関する正則化制約によって,顕著なハイパーレッドを保存するために,適応性の高い重みづけ推定方式を導入した。最終的に,学習された低次元特徴を分類のためにサポートベクトルマシン(SVM)に供給する。3つのベンチマークハイパースペクトルデータベースに関する実験結果を提示した。それらは,HSIデータの正確な分類のために埋め込まれた空間スペクトル結合特徴の重要性を強調する。重み推定は,分類精度をさらに向上させるためにより良い。これらの実験結果は,提案した方法を検証した。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 重みづけ ,  学習 ,  アルゴリズム ,  サポートベクトルマシン ,  適応性 ,  *特徴抽出 ,  画素 ,  正則化 ,  *スペクトル ,  *超グラフ
準シソーラス用語： 低次元 ,  スペクトル特徴 ,  分類精度 ,  *ハイパースペクトル画像 , 【Automatic Indexing@JST】

著者キーワード (4件)： 特徴抽出 ,  ハイパーグラフ学習 ,  形態プロファイル ,  ハイパーエッジ重み推定

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

引用文献 (39件)：

• Clement, A. Advances in remote sensing of agriculture: context description, existing operational monitoring systems and major information needs. Remote Sens. 2013, 5, 949-981.
• Shafri, H.Z.M.; Taherzadeh, E.; Mansor, S.; Ashurov, R. Hyperspectral remote sensing of urban areas: An overview of techniques and applications. Res. J. Appl. Sci. Eng. Technol. 2012, 4, 1557-1565.
• Abbate, G.; Fiumi, L.; De Lorenzo, C.; Vintila, R. Avaluation of remote sensing data for urban planning. Applicative examples by means of multispectral and hyperspectral data. In Proceedings of the GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Berlin, Germany, 22-23 May 2003; pp. 201-205.
• Wu, Z.; Wang, Q.; Plaza, A.; Li, J.; Sun, L. Parallel spatial-spectral hyperspectral image classification with sparse representation and markov random fields on GPUs. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 2926-2938.
• Yuan, Y.; Lin, J.; Wang, Q. Hyperspectral image classification via multitask joint sparse representation and stepwise MRF optimization. IEEE Trans. Cybern. 2016, 46, 2966-2977.

タイトルに関連する用語 (5件)： ハイパースペクトル画像 ,  スペクトル ,  特徴抽出 ,  ハイパーグラフ ,  埋込み