文献

J-GLOBAL ID：202202267157601938   整理番号：22A0397432

ハイパースペクトル画像のための因子アナライザ特徴抽出の半教師つき混合【JST・京大機械翻訳】

Semi-Supervised Mixtures of Factor Analyzers Feature Extraction for Hyperspectral Images

著者 (4件)： Zhao Bin (Faculty of Electrical and Computer Engineering, University of Iceland, Reykjavik, Iceland) ,  Sveinsson Johannes R. (Faculty of Electrical and Computer Engineering, University of Iceland, Reykjavik, Iceland) ,  Ulfarsson Magnus O. (Faculty of Electrical and Computer Engineering, University of Iceland, Reykjavik, Iceland) ,  Chanussot Jocelyn (Faculty of Electrical and Computer Engineering, University of Iceland, Reykjavik, Iceland)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.5500605.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  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： このレターは,ハイパースペクトル画像(HSI)のための因子アナライザ(S2MFA)特徴抽出(FE)法の半教師つき混合物を提案する。S2MFAはGauss混合モデルを用い,異なる領域に画像を分割し,各領域はGauss分布に従い,ラベル付きおよびラベルなしサンプルを含む。この方法は,ラベル付きおよびラベルなしサンプルを用いて局所空間情報を保存するための因子負荷行列を得るために,因子アナライザを用いた。ラベル付きサンプルを用いてデータのクラス識別を同時に改善し,元の画像を最適低次元部分空間に変換し,次元縮小を達成した。S2MFA FE法の性能を,2つの実際のHSIの分類によって評価し,異なる種類の統計教師なし,教師つき,および半教師つきFE法と比較した。Copyright 2022 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： 正規分布 ,  *特徴抽出 ,  *分析機器 ,  次元縮小
準シソーラス用語： 空間情報 ,  *ハイパースペクトル画像 ,  部分空間 ,  Gauss混合モデル , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： ハイパースペクトル画像 ,  因子 ,  アナライザ ,  特徴抽出 ,  教師