文献

J-GLOBAL ID：201902289743121080   整理番号：19A1260170

多重カーネル相互学習に基づくハイパースペクトル画像分類【JST・京大機械翻訳】

Hyperspectral image classification based on multiple kernel mutual learning

著者 (5件)： Cui Binge (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China) ,  Zhong Liwei (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China) ,  Yin Bei (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China) ,  Ren Guangbo (The First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China) ,  Lu Yan (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China)
資料名： Infrared Physics & Technology  (Infrared Physics & Technology)
巻： 99  ページ： 113-122  発行年： 2019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： 多重カーネル学習(MKL)は,ハイパースペクトル画像分類のための一般的で有効な方法である。しかしながら,複数の基本カーネル間の通信と相互作用は,従来のMKL法のための全体の訓練プロセスの間の複数の基本カーネルの間で不十分である。本論文では,自己学習と相互学習(MKML)に基づく複数のカーネル学習フレームワークを提案した。最初に,各基本カーネルはそれ自身の訓練サンプルにより事前訓練を開始し,次に訓練モデルを用いて予測を行った。第二に,基本カーネルは高エントロピーを有するいくつかの有益な非標識サンプルを選択し,ラベリングのための他の基本カーネルを質問する。問題を増加させるものを除くすべての基本的カーネルは,ラベル付けされていないサンプルのクラスラベルを決定するために一緒に交渉する。第3に,新しい擬似標識サンプルを,モデルを再び訓練するために,最初の訓練サンプルセットに加えた。最後に,すべての基本カーネルを結合して投票機構によって優れた分類性能を得た。この方法を三つの実ハイパースペクトル画像で検証した。実験結果は,提案方法がよく知られたMKL方法より良い分類性能を示すことを示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  *多重化 ,  モデル ,  エントロピー ,  投票
準シソーラス用語： *ハイパースペクトル画像 ,  自己学習 ,  Kernel法 ,  *ハイパースペクトル画像分類 ,  *協調学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 相互学習 ,  多重カーネル学習 ,  ハイパースペクトル画像 ,  分類

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 多重 ,  カーネル ,  相互学習 ,  ハイパースペクトル画像分類