文献

J-GLOBAL ID：201802287382578132   整理番号：18A0159872

ST IRGS:ハイパースペクトル画像分類とセグメンテーションに適用した領域ベースの自己学習アルゴリズム【Powered by NICT】

ST-IRGS: A Region-Based Self-Training Algorithm Applied to Hyperspectral Image Classification and Segmentation

著者 (4件)： Li Fan (School of Engineering, University of Guelph, Guelph, ON, Canada) ,  Clausi David A. (Department of Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada) ,  Xu Linlin (School of Land Science and Technology, China University of Geosciences, Beijing, China) ,  Wong Alexander (Department of Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 56  号： 1  ページ： 3-16  発行年： 2018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： 限られたラベル付き訓練試料の問題はリモートセンシング画像の分類のための挑戦的な課題である。はこの問題に対処するために同時分類およびセグメンテーションアルゴリズムを開発した。著者らのアルゴリズムは,半教師付き学習と条件付き確率場(CRF)を組み合わせて一つの枠組み。多モードGauss最尤分類器は,CRFの単項ポテンシャルに対する確率を推定した。確率場に基づく伝統的な方法とは異なり,領域マージングはCRF推論を用いた連結ノードの数を減らす反復することである。さらに,自己訓練と呼ばれる半教師つき手法を用いたが,これは訓練サンプルセットを拡大し,分類器を再反復。訓練サンプルの選択は,領域情報に基づいている,間違ったラベルを割り当てることのリスクは大幅に減少した。提案したアルゴリズムは,ハイパースペクトル画像分類に適用し,ベンチマークデータセットを用いた実験で,提案したアルゴリズムは,自己訓練を用いた後の分類性能を大幅に改善することを示し,限られたラベル付き訓練試料のための最先端スペクトル 空間法よりも優れていた。Copyright 2018 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： 多モード ,  *アルゴリズム ,  最尤法 ,  *スペクトル ,  *セグメンテーション ,  *学習アルゴリズム
準シソーラス用語： 最先端 ,  領域マージング ,  確率場 ,  条件つき確率場 ,  半教師つき学習 ,  リモートセンシング画像 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  情報収集・整理  (AC04000I)

タイトルに関連する用語 (5件)： ST ,  ハイパースペクトル画像分類 ,  セグメンテーション ,  自己学習 ,  アルゴリズム