文献

J-GLOBAL ID：201702220386455624   整理番号：17A0328756

ハイパースペクトル画像分類のための局所適応型次元縮小の探索:最大マージンメトリック学習【Powered by NICT】

Exploring Locally Adaptive Dimensionality Reduction for Hyperspectral Image Classification: A Maximum Margin Metric Learning Aspect

著者 (4件)： Dong Yanni (State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, China) ,  Du Bo (School of Computer, Wuhan University, Wuhan, China) ,  Zhang Liangpei (State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, China) ,  Zhang Lefei (Department of Computing, The Hong Kong Polytechnic University, Kowloon, Hong Kong)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 10  号： 3  ページ： 1136-1150  発行年： 2017年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  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： ハイパースペクトルセンサにより生成された高次元データ空間で従来のデータ解析技術への挑戦を紹介した。ポピュラーな次元縮小技術は,通常,Gauss分布,実寿命と一致しないかもしれないを仮定している。,ラベル付き訓練試料の全体的なデータ構造を調べ,計量学習法は,ハイパースペクトル分野で非常に効率的であることが証明されている。しかし,良好な性能を得るためにクラス当たりラベル付き訓練試料のための局所適応決定制約を利用してさらに発展できる。本論文では,ハイパースペクトル画像分類のための局所適応型次元縮小メトリック学習(LADRml)法を示した。提示された方法の目的は1)最初に,限られた訓練試料をある分布仮説のないデータの次元を低減するためにおよび2)二,局所適応決定制約の使用による複雑な分布を持つデータをうまく扱えるように,メトリック学習前後距離変化に基づく試料の対間の類似性を評価することができる。多数の挑戦的なハイパースペクトル画像データセットで得られた実験結果は,提案したLADRmlアルゴリズムが最新の次元縮小およびメトリック学習法より優れていることを実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 正規分布 ,  制約条件 ,  データ構造 ,  *次元縮小 ,  類似性 ,  *学習 ,  アルゴリズム ,  データ解析
準シソーラス用語： *ハイパースペクトル ,  高次元データ ,  ハイパースペクトルセンサ ,  *メトリック学習 ,  *ハイパースペクトル画像 , 【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 (5件)： ハイパースペクトル画像分類 ,  局所適応 ,  次元縮小 ,  探索 ,  メトリック学習