文献

J-GLOBAL ID：202102281742761670   整理番号：21A2572940

多目的ベース極端学習機械によるハイパースペクトル画像のスパース特徴学習【JST・京大機械翻訳】

Sparse Feature Learning of Hyperspectral Imagery via Multiobjective-Based Extreme Learning Machine

著者 (7件)： Fang Xiaoping (The Department of Computer Science, China University of Geosciences, Wuhan 430074, China) ,  Cai Yaoming (The Department of Computer Science, China University of Geosciences, Wuhan 430074, China) ,  Cai Zhihua (The Department of Computer Science, China University of Geosciences, Wuhan 430074, China) ,  Cai Zhihua (The Beibu Gulf Big Data Resources Utilization Laboratory, Beibu Gulf University, Qinzhou 535011, China) ,  Jiang Xinwei (The Department of Computer Science, China University of Geosciences, Wuhan 430074, China) ,  Chen Zhikun (The Beibu Gulf Big Data Resources Utilization Laboratory, Beibu Gulf University, Qinzhou 535011, China) ,  Chen Zhikun (The Guangxi Key Laboratory of Marine Disaster in the Beibu Gulf, Beibu Gulf University, Qinzhou 535011, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 5  ページ： 1262  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  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(HSI)は,豊富なスペクトルと空間情報を有する数百の狭いスペクトルバンド成分から成る。極端学習機械(ELM)は,HSI解析に広く使用されている。しかしながら,古典的ELMは,そのランダムに生成された隠れ層のため,スパース特徴希薄化のために使用するのは難しい。本論文では,進化多目的ベースELM(EMO-ELM)と呼ばれる新しい教師なしスパース特徴学習アプローチを提案し,それをHSI特徴抽出に適用した。特に,隠れ層出力のスパース性と2つの相反する目的として再構成誤差を取り入れる多目的最適化問題として,ELM自動符号器(ELM-AE)を構築するタスクを示した。次に,著者らは2つの目的を同時に解決するために進化多目的最適化(EMO)方式を採用した。Pareto解集合から最良解を見つけ,最良のトレードオフ特徴抽出器を構築するために,曲率ベース法を提案し,Pareto解の膝領域に焦点を当てた。EMOから利益を得て,提案したEMO-ELMは,勾配ベースAEよりも,局所最小に陥りやすく,訓練可能なパラメータが少ない。2つの実際のHSIに関する実験は,EMO-ELMによって学習された特徴が,より良いスパース性を維持するだけでなく,多くの既存の特徴学習法よりも優れた分離性を達成することを証明した。Copyright 2021 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： *学習 ,  特徴抽出 ,  曲率 ,  *スペクトル ,  符号器 ,  再構成 ,  多目的計画法 ,  スペクトルバンド
準シソーラス用語： 空間情報 ,  多目的最適化 ,  スパース性 ,  *ハイパースペクトル画像 ,  隠れ層 ,  Pareto解 ,  *極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (5件)： 極端学習機械オートエンコーダ ,  自動エンコーダ ,  進化的多目的最適化 ,  スパース特徴学習 ,  ハイパースペクトル画像

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (45件)：

• Li, W.; Tramel, E.W.; Prasad, S.; Fowler, J.E. Nearest regularized subspace for hyperspectral classification. IEEE Trans. Geosci. Remote Sens. 2014, 52, 477-489.
• Chen, Y.; Li, C.; Ghamisi, P.; Jia, X.; Gu, Y. Deep fusion of remote sensing data for accurate classification. IEEE Geosci. Remote Sens. Lett. 2017.
• Thenkabail, P.S. Hyperspectral data processing: Algorithm design and analysis. Photogramm. Eng. Remote Sens. 2015, 81, 441-442.
• Sun, W.; Tian, L.; Xu, Y.; Zhang, D.; Du, Q. Fast and robust self-representation method for hyperspectral band selection. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 5087-5098.
• Shippert, P. Introduction to hyperspectral image analysis. Online J. Space Commun. 2003, 3, 13.

タイトルに関連する用語 (3件)： 極端学習機械 ,  ハイパースペクトル画像 ,  学習