文献

J-GLOBAL ID：202002250695493326   整理番号：20A1204239

ハイパースペクトル画像分類のための多重特徴学習に基づく適応カーネルスパース表現【JST・京大機械翻訳】

Adaptive kernel sparse representation based on multiple feature learning for hyperspectral image classification

著者 (3件)： Li Dan (College of Astronautics, Nanjing University of Aeronautics and Astronautics, No.29 Yudao Street, Nanjing 260001, China) ,  Wang Qiang (Harbin Institute of Technology, Control Science and Engineering, No.92 West Da-Zhi Street, Harbin 150001, China) ,  Kong Fanqiang (College of Astronautics, Nanjing University of Aeronautics and Astronautics, No.29 Yudao Street, Nanjing 260001, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 400  ページ： 97-112  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  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： ハイパースペクトル画像分類のために,本論文では,多重特徴学習(AKSR-MFL)に基づく新しい適応カーネルスパース表現法を提案した。まず第一に,異なる種類のスペクトルと空間情報を含む多重タイプの特徴を元のHSIから抽出し,異なる視点からピクセルの特性を記述する。それは分類精度を著しく強化するのに有益である。文脈情報をさらに探索し,可能な限り空間構造を適合させるために,形状適応アルゴリズムを用いて,各試験画素に対する形状適応領域を同時に構築した。次に,複数の特徴空間における分類の線形分離可能な問題を扱うためにカーネル結合スパースパターンを適用することによって適応カーネルスパース表現(AKSR)方法を設計して,同じ分布をより容易にグループ化して,直線的に分離できる画素を作った。さらに,多重カーネル学習(MKL)によって構築された複合カーネルをAKSRに埋め込み,異なる特徴記述子のためのベースカーネルを効果的に構築し,最適にベースカーネルの重みを決定する。これは,異なるタイプの特徴記述子の類似性と多様性を完全に考慮することができる。3つの広く使われている実HSIデータに関する実験結果は,提案したAKSR-MFL分類器がいくつかの最先端の分類法より優れていることを実証した。Copyright 2020 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： *学習 ,  立体構造 ,  *スペクトル ,  画素 ,  *多重化 ,  線形性 ,  類似性
準シソーラス用語： 空間情報 ,  文脈情報 ,  適応アルゴリズム ,  Kernel法 ,  分類精度 ,  特徴空間 ,  *スパース表現 ,  *ハイパースペクトル画像分類 , 【Automatic Indexing@JST】

著者キーワード (4件)： ハイパースペクトル画像分類 ,  カーネルスパース表現 ,  多重カーネル学習 ,  多重特徴抽出

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

タイトルに関連する用語 (6件)： ハイパースペクトル画像分類 ,  多重 ,  学習 ,  適応 ,  カーネル ,  スパース表現