文献

J-GLOBAL ID：202102221145855808   整理番号：21A0669293

ハイパースペクトル画像分類のための重み付きK平均による次元縮小【JST・京大機械翻訳】

Dimensionality Reduction with Weighted K-Means for Hyperspectral Image Classification

著者 (2件)： Wong Michael (Center for Machine Vision and Security Research, Kennesaw State University) ,  Hung Chih-Cheng (Center for Machine Vision and Security Research, Kennesaw State University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 44-47  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： リモートセンシング画像の分類は,本質的に高い次元のため,挑戦的なタスクである。この問題と戦う従来の方法は,識別器にデータを供給する前に特徴選択または抽出を使用することを含む。自動可変重み付けK-平均(W-K-平均)として知られる直感的手法は,より顕著な特徴を強調するために,学習された特徴重みをK-平均クラスタ化アルゴリズムに組み込む。特徴重みの包含は,最適クラスタ中心の発見を支援し,分類精度を増加させる。W-K平均を高次元データのために提案するので,優れたハイパースペクトル画像セグメンテーションを達成できる。しかしながら,高次元設定における有効性は,オリジナル実験が低から中次元のデータセットを使用したので,完全には調査されなかった。W-K-平均と特徴抽出を結合することによって,本質的特徴をクラスタ化に影響を及ぼすために使用することができる。実験結果は,W-K-平均による主成分分析(PCA)が,W-K-平均のみと比較して,高次元空間において例外的に良好に機能することを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  弁別器 ,  特徴抽出 ,  クラスタ化 ,  特徴選択 ,  クラスタ ,  高次元 ,  重みづけ ,  有効性 ,  主成分分析 ,  *次元縮小
準シソーラス用語： *ハイパースペクトル ,  画像セグメンテーション ,  リモートセンシング画像 ,  高次元データ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ハイパースペクトル画像分類 ,  平均 ,  次元縮小