論文の概要: A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery
- arxiv url: http://arxiv.org/abs/2207.10625v1
- Date: Thu, 21 Jul 2022 17:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 12:46:24.290432
- Title: A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery
- Title（参考訳）: ハイパースペクトル画像におけるクラスタリングのための動的システムアルゴリズム
- Authors: William F. Basener, Alexey Castrodad, David Messinger, Jennifer Mahle,
Paul Prue
- Abstract要約: ハイパースペクトル画像におけるクラスタリングのための新しい動的システムアルゴリズムを提案する。
このアルゴリズムの主な考え方は、密度を増加させる方向に「データポイントが押される」ことであり、同じ密度の領域に終わるピクセル群は同じクラスに属する。
本手法は, 既定素材のクラスを基礎事実として, k-means アルゴリズムと性能を比較した都市景観におけるアルゴリズムの評価を行う。
- 参考スコア（独自算出の注目度）: 0.18374319565577152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we present a new dynamical systems algorithm for clustering in
hyperspectral images. The main idea of the algorithm is that data points are
\`pushed\' in the direction of increasing density and groups of pixels that end
up in the same dense regions belong to the same class. This is essentially a
numerical solution of the differential equation defined by the gradient of the
density of data points on the data manifold. The number of classes is automated
and the resulting clustering can be extremely accurate. In addition to
providing a accurate clustering, this algorithm presents a new tool for
understanding hyperspectral data in high dimensions. We evaluate the algorithm
on the Urban (Available at www.tec.ary.mil/Hypercube/) scene comparing
performance against the k-means algorithm using pre-identified classes of
materials as ground truth.
- Abstract（参考訳）: 本稿では,ハイパースペクトル画像におけるクラスタリングのための新しい動的システムアルゴリズムを提案する。
このアルゴリズムの主な考え方は、データポイントが密度を増加させる方向に 'pushed\' であり、同じ密度の領域に終わるピクセル群は同じクラスに属するということである。
これは本質的に、データ多様体上のデータ点の密度の勾配によって定義される微分方程式の数値解である。
クラスの数は自動化されており、その結果のクラスタリングは極めて正確である。
正確なクラスタリングに加えて、このアルゴリズムは高次元のハイパースペクトルデータを理解するための新しいツールを提供する。
そこで本研究では,k-means法との比較結果と比較し,都市(www.tec.ary.mil/hypercube/)における評価を行った。
関連論文リスト
- Density based Spatial Clustering of Lines via Probabilistic Generation of Neighbourhood [0.0]
本稿では,固定ボリュームの行に対して,カスタマイズされた近傍領域を生成するクラスタリングアルゴリズムを設計する。
このアルゴリズムは外れ値に敏感ではなく、濃度パラメータを用いてデータのノイズを効果的に識別することができる。
このアルゴリズムの重要な応用の1つは、データポイントを不足したエントリを持つ$mathbbRn$にクラスタリングすることである。
論文 参考訳（メタデータ） (2024-10-03T08:17:11Z) - A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。
汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。
MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
論文 参考訳（メタデータ） (2024-07-19T08:29:12Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - FLASC: A Flare-Sensitive Clustering Algorithm [0.0]
本稿では,クラスタ内の分岐を検知してサブポピュレーションを同定するアルゴリズムFLASCを提案する。
アルゴリズムの2つの変種が提示され、ノイズの堅牢性に対する計算コストが取引される。
両変種は計算コストの観点からHDBSCAN*と類似してスケールし,安定した出力を提供することを示す。
論文 参考訳（メタデータ） (2023-11-27T14:55:16Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳（メタデータ） (2023-05-12T03:01:41Z) - A density peaks clustering algorithm with sparse search and K-d tree [16.141611031128427]
この問題を解決するために,スパース探索とK-d木を用いた密度ピーククラスタリングアルゴリズムを開発した。
分散特性が異なるデータセット上で、他の5つの典型的なクラスタリングアルゴリズムと比較して実験を行う。
論文 参考訳（メタデータ） (2022-03-02T09:29:40Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳（メタデータ） (2021-02-07T23:48:24Z) - Clustering of Big Data with Mixed Features [3.3504365823045044]
我々は混合型の大規模データのための新しいクラスタリングアルゴリズムを開発した。
このアルゴリズムは、比較的低い密度値の外れ値とクラスターを検出することができる。
本研究では,本アルゴリズムが実際に有効であることを示す実験結果を示す。
論文 参考訳（メタデータ） (2020-11-11T19:54:38Z) - Clustering by Constructing Hyper-Planes [0.0]
データポイントを識別するハイパープレーンを探索し,クラスタリングアルゴリズムを提案する。
中心とクラスターの数を決定するために点間の限界空間に依存する。
このアルゴリズムは線形構造に基づいており、データセットの分布を正確にかつ柔軟に近似することができる。
論文 参考訳（メタデータ） (2020-04-25T08:52:21Z)
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。