論文の概要: Multispectral Satellite Data Classification using Soft Computing Approach

• arxiv url: http://arxiv.org/abs/2203.11146v1
• Date: Mon, 21 Mar 2022 17:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 14:24:07.776730
• Title: Multispectral Satellite Data Classification using Soft Computing Approach
• Title（参考訳）: ソフトコンピューティングを用いたマルチスペクトル衛星データ分類
• Authors: Purbarag Pathak Choudhury, Ujjal Kr Dutta, Dhruba Kr Bhattacharyya
• Abstract要約: 本稿では,オブジェクトの識別のためのグリッド密度に基づくクラスタリング手法を提案する。 本稿では,ルール帰納型機械学習アルゴリズムを用いて衛星画像データを分類する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.3971200250581814
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: A satellite image is a remotely sensed image data, where each pixel represents a specific location on earth. The pixel value recorded is the reflection radiation from the earth's surface at that location. Multispectral images are those that capture image data at specific frequencies across the electromagnetic spectrum as compared to Panchromatic images which are sensitive to all wavelength of visible light. Because of the high resolution and high dimensions of these images, they create difficulties for clustering techniques to efficiently detect clusters of different sizes, shapes and densities as a trade off for fast processing time. In this paper we propose a grid-density based clustering technique for identification of objects. We also introduce an approach to classify a satellite image data using a rule induction based machine learning algorithm. The object identification and classification methods have been validated using several synthetic and benchmark datasets.
• Abstract（参考訳）: 衛星画像はリモートセンシングされた画像データであり、各ピクセルは地球上の特定の位置を表す。 記録された画素値は、その位置にある地球表面からの反射放射である。 マルチスペクトル画像は、可視光のすべての波長に敏感なパンクロマチック画像と比較して、電磁スペクトルの特定の周波数で画像データをキャプチャするものである。 これらの画像の高解像度と高次元のため、高速な処理のためのトレードオフとして、異なるサイズ、形状、密度のクラスタを効率的に検出するクラスタリング技術が困難になる。 本稿では,オブジェクト識別のためのグリッド密度に基づくクラスタリング手法を提案する。 また,ルール帰納型機械学習アルゴリズムを用いて衛星画像データを分類する手法を提案する。 オブジェクトの識別と分類方法は、いくつかの合成およびベンチマークデータセットを用いて検証されている。

関連論文リスト

• OsmLocator: locating overlapping scatter marks with a non-training generative perspective [48.50108853199417]
  重複するマークの配置には、テクスチャの欠如、文脈の少ない情報、ハロー形状、小さなサイズなど、多くの困難がある。 ここでは、クラスタリングに基づく再視覚化の最適化問題として、非学習的生成の観点から定式化する。 特に,異なるマーカーと様々な重なり合いの重なり合いを持つ何百もの散乱画像を含む2023というデータセットを構築し,提案手法を既存の手法と比較した。
  論文  参考訳（メタデータ） (2023-12-18T12:39:48Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• Multi-spectral Class Center Network for Face Manipulation Detection and Localization [52.569170436393165]
  顔の操作検出と局所化のための新しいマルチスペクトル・クラス・センター・ネットワーク(MSCCNet)を提案する。 周波数帯域の異なる特徴に基づき、MSCCモジュールはマルチスペクトルクラスセンターを収集し、ピクセル対クラス関係を計算する。 多スペクトルクラスレベルの表現を適用することで、偽画像の操作された領域に敏感な視覚概念の意味情報を抑えることができる。
  論文  参考訳（メタデータ） (2023-05-18T08:09:20Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• All-optical image classification through unknown random diffusers using a single-pixel diffractive network [13.7472825798265]
  ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。 近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。 本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-08-08T08:26:08Z)
• Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry [6.279792995020646]
  本研究では,高度に混合したハイパースペクトル画像の分割のための空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを提案する。 DSIRCは、データ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣のピクセルを用いて再構成する。 その結果,画像再構成による空間情報の取り込みにより,画素単位のクラスタリングの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2022-04-28T13:42:12Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• A 3-stage Spectral-spatial Method for Hyperspectral Image Classification [2.28438857884398]
  ハイパースペクトル画像中の画素の分類に空間情報とスペクトル情報の両方を利用する新しいフレームワークを提案する。 6つのベンチマークハイパースペクトルデータセット上での3つの最先端アルゴリズムに対する本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-04-20T08:23:05Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• A photosensor employing data-driven binning for ultrafast image recognition [0.0]
  ピクセルビンニング(Pixel binning)は、光学画像の取得と分光において広く用いられる技術である。 ここでは、センサー要素の大部分を1つのスーパーピクセルに組み合わせることで、バイナリの概念を限界まで押し上げる。 与えられたパターン認識タスクに対しては、機械学習アルゴリズムを用いてトレーニングデータから最適な形状を決定する。
  論文  参考訳（メタデータ） (2021-11-20T15:38:39Z)
• A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery [1.066048003460524]
  本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。 提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T16:12:08Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。