Fugu-MT 論文翻訳(概要): SAR and Optical data fusion based on Anisotropic Diffusion with PCA and Classification using Patch-based with LBP

論文の概要: SAR and Optical data fusion based on Anisotropic Diffusion with PCA and Classification using Patch-based with LBP

arxiv url: http://arxiv.org/abs/2101.08215v1
Date: Wed, 20 Jan 2021 16:59:00 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:22:21.197073
Title: SAR and Optical data fusion based on Anisotropic Diffusion with PCA and Classification using Patch-based with LBP
Title（参考訳）: PCAによる異方性拡散に基づくSARと光データ融合とLCPを用いたパッチを用いた分類
Authors: Achala Shakya, Mantosh Biswas, Mahesh Pal
Abstract要約: 本稿では、SARと光データの融合にPCAと異方性拡散を用い、LBPを用いたパッチベースのSVM分類を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: SAR (VV and VH polarization) and optical data are widely used in image fusion to use the complimentary information of each other and to obtain the better-quality image (in terms of spatial and spectral features) for the improved classification results. This paper uses anisotropic diffusion with PCA for the fusion of SAR and optical data and patch-based SVM Classification with LBP (LBP-PSVM). Fusion results with VV polarization performed better than VH polarization using considered fusion method. For classification, the performance of LBP-PSVM using S1 (VV) with S2, S1 (VH) with S2 is compared with SVM classifier (without patch) and PSVM classifier (with patch), respectively. Classification results suggests that the LBP-PSVM classifier is more effective in comparison to SVM and PSVM classifiers for considered data.
Abstract（参考訳）: sar(vv,vh偏光)と光学データは画像融合において広く使われ、相互の補足情報を利用し、改良された分類結果のために(空間的およびスペクトル的特徴の観点から)より高品質な画像を得る。本稿では、SARと光データの融合にPCAと異方性拡散を用い、LBP(LBP-PSVM)を用いたパッチベースのSVM分類を行う。 VV分極による核融合は, 核融合法によるVH分極よりも良好であった。分類では、S1(VV)とS2(VH)を併用したLBP-PSVMの性能を、SVM分類器(パッチなし)とPSVM分類器(パッチなし)と比較する。分類結果から, LBP-PSVM分類器は, SVMとPSVM分類器よりも有効であることが示唆された。

関連論文リスト

Double Machine Learning for Adaptive Causal Representation in High-Dimensional Data [14.25379577156518]
サポートポイントサンプル分割(SPSS)は、因果推論において効率的なダブル機械学習(DML)に使用される。ランダムサンプル中の全生データの最適な代表点として支持点を選択して分割する。それらは、完全な大きなデータセットの最良の表現を提供するが、従来のランダムデータ分割による基礎となる分布の単位構造情報は、ほとんど保存されない。
論文参考訳（メタデータ） (2024-11-22T01:54:53Z)
Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文参考訳（メタデータ） (2024-03-04T07:40:55Z)
SpectralDiff: A Generative Framework for Hyperspectral Image Classification with Diffusion Models [18.391049303136715]
拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。 SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。 3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
論文参考訳（メタデータ） (2023-04-12T16:32:34Z)
Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文参考訳（メタデータ） (2023-02-06T10:01:38Z)
A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [0.0]
ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。 3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
論文参考訳（メタデータ） (2022-11-01T13:19:08Z)
Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文参考訳（メタデータ） (2022-03-11T10:47:16Z)
Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。 3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文参考訳（メタデータ） (2021-08-25T10:47:26Z)
Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文参考訳（メタデータ） (2021-02-23T20:22:56Z)
A Hybrid MLP-SVM Model for Classification using Spatial-Spectral Features on Hyper-Spectral Images [1.648438955311779]
多層パーセプトロン(MLP)とサポートベクターマシン(SVM)を用いたハイブリッド分類器(MLP-SVM)を作成する。ニューラルネットオークの最後の隠された層からの出力はSVMへの入力となり、最終的に様々な望ましいクラスに分類される。提案手法はデータセットの検査精度を 93.22%, 96.87%, 93.81% に対して86.97%, 88.58%, 88.85%, 91.61%, 96.20%, 90.68% に大幅に向上させた。
論文参考訳（メタデータ） (2021-01-01T11:47:23Z)
Fusion of Dual Spatial Information for Hyperspectral Image Classification [26.304992631350114]
双対空間情報の融合を利用した新しいハイパースペクトル画像分類フレームワークを提案する。異なるシーンの3つのデータセットで行った実験は、提案手法が他の最先端の分類手法よりも優れていることを示している。
論文参考訳（メタデータ） (2020-10-23T12:20:18Z)
Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文参考訳（メタデータ） (2020-09-21T16:29:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。