論文の概要: Feature selection intelligent algorithm with mutual information and steepest ascent strategy

• arxiv url: http://arxiv.org/abs/2210.12296v1
• Date: Fri, 21 Oct 2022 23:15:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 17:11:02.222756
• Title: Feature selection intelligent algorithm with mutual information and steepest ascent strategy
• Title（参考訳）: 相互情報と最急上昇戦略を用いた特徴選択知的アルゴリズム
• Authors: Elkebir Sarhrouni, Ahmed Hammouch and Driss Aboutajdine
• Abstract要約: 原理的には、ハイパースペクトル画像(HSI)は、地域を正確に分類するリモートセンシングツールである。 一部の画像は関連する情報を持っているが、余分な情報を記述しているものもある。 多くの研究は、適切なバンドを選択するために相互情報(MI)または正規化されたMIを使用する。 本稿ではMIにもとづくアルゴリズムを設計し、MIと最急上昇アルゴリズムを組み合わせることにより、対称不確実性係数に基づく戦略を改善する。
• 参考スコア（独自算出の注目度）: 0.4297070083645048
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Remote sensing is a higher technology to produce knowledge for data mining applications. In principle hyperspectral images (HSIs) is a remote sensing tool that provides precise classification of regions. The HSI contains more than a hundred of images of the ground truth (GT) map. Some images are carrying relevant information, but others describe redundant information, or they are affected by atmospheric noise. The aim is to reduce dimensionality of HSI. Many studies use mutual information (MI) or normalised forms of MI to select appropriate bands. In this paper we design an algorithm based also on MI, and we combine MI with steepest ascent algorithm, to improve a symmetric uncertainty coefficient-based strategy to select relevant bands for classification of HSI. This algorithm is a feature selection tool and a wrapper strategy. We perform our study on HSI AVIRIS 92AV3C. This is an artificial intelligent system to control redundancy; we had to clear the difference of the result's algorithm and the human decision, and this can be viewed as case study which human decision is perhaps different to an intelligent algorithm. Index Terms - Hyperspectral images, Classification, Fea-ture selection, Mutual Information, Redundancy, Steepest Ascent. Artificial Intelligence
• Abstract（参考訳）: リモートセンシングは、データマイニングアプリケーションのための知識を生み出すための高度な技術である。 原理的には、ハイパースペクトル画像(HSI)は、地域を正確に分類するリモートセンシングツールである。 HSIには、GTマップの100枚以上の画像が含まれている。 一部の画像は関連する情報を持っているが、余分な情報を記述しているものもある。 目的はHSIの次元性を減らすことである。 多くの研究は相互情報(mi)または正規化されたmi形式を用いて適切なバンドを選択する。 本稿ではMIにもとづくアルゴリズムを設計し、MIを最も急激な上昇アルゴリズムと組み合わせて、対称不確実性係数に基づく戦略を改善し、HSIの分類のための関連する帯域を選択する。 このアルゴリズムは特徴選択ツールであり、ラッパー戦略である。 HSI AVIRIS 92AV3Cについて検討した。 これは冗長性を制御するための人工知能システムであり、結果のアルゴリズムと人間の決定の違いを明確にしなければならなかった。 指標項 - ハイパースペクトル画像、分類、フェーチャー選択、相互情報、冗長性、最低上昇。 人工知能

関連論文リスト

• Feature selection algorithm based on incremental mutual information and cockroach swarm optimization [12.297966427336124]
  インクリメンタルな相互情報に基づく改良型Swarm知的最適化法(IMIICSO)を提案する。 この方法は、グループアルゴリズムのグローバル検索をガイドするために、決定テーブルの削減知識を抽出する。 改良されたゴキブリ群最適化アルゴリズムによって選択された特徴部分集合の精度は、インクリメンタルな相互情報に基づいて、元のスワム知能最適化アルゴリズムと同等か、ほぼ同程度である。
  論文  参考訳（メタデータ） (2023-02-21T08:51:05Z)
• Hyperspectral images classification and Dimensionality Reduction using Homogeneity feature and mutual information [0.0]
  本稿では,生成過程に応じた次元削減手法の分類について述べる。 我々は,相互情報(MI)に基づくアルゴリズムを再現し,特徴選択による次元性を低減するとともに,相互情報と均質性を用いたアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-10-25T23:55:04Z)
• Band selection and classification of hyperspectral images by minimizing normalized mutual information [0.0]
  ハイパースペクトル画像(HSI)分類はハイテクリモートセンシングツールである。 主な目的は、ある領域のポイントを分類することである。 一部のバンドは冗長な情報を含んでおり、他のバンドはノイズの影響を受けており、特徴の高次元性は分類の精度を低くする。 本稿では、相互情報(MI)を用いて関連する帯域を選択する。また、冗長な帯域を回避・制御するために正規化相互情報係数を用いる。
  論文  参考訳（メタデータ） (2022-10-22T04:10:10Z)
• A Dashboard to Analysis and Synthesis of Dimensionality Reduction Methods in Remote Sensing [0.4297070083645048]
  ハイパースペクトル画像(HSI)分類は高度なリモートセンシングソフトウェアである。 目的は主題図を再現することである。 残念なことに、一部のバンドは冗長な特徴であり、他のバンドはノイズ的に測定され、高次元の特徴は分類の精度を悪くした。
  論文  参考訳（メタデータ） (2022-10-18T10:42:14Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Review of Swarm Intelligence-based Feature Selection Methods [3.8848561367220276]
  高次元データセットを持つデータマイニングアプリケーションは、高速かつ精度が要求される。 次元削減手法の1つは、データマイニングタスクの精度を高める機能選択である。 最先端のSwarmインテリジェンスについて検討し、これらのアルゴリズムに基づく最近の特徴選択手法について概説する。
  論文  参考訳（メタデータ） (2020-08-07T05:18:58Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。