論文の概要: An Algorithm and Heuristic based on Normalized Mutual Information for Dimensionality Reduction and Classification of Hyperspectral images

• arxiv url: http://arxiv.org/abs/2210.13456v1
• Date: Sat, 22 Oct 2022 02:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:49:04.567940
• Title: An Algorithm and Heuristic based on Normalized Mutual Information for Dimensionality Reduction and Classification of Hyperspectral images
• Title（参考訳）: ハイパースペクトル画像の次元化と分類のための正規化相互情報に基づくアルゴリズムとヒューリスティック
• Authors: Elkebir Sarhrouni, Ahmed Hammouch and Driss Aboutajdine
• Abstract要約: ハイパースペクトル画像(HSI)は、同じ地域の100以上の双方向測度(バンドと呼ばれる)の集合である。 本稿では,HSIの分類精度を高めるために,有意かつ冗長な帯域を選択するための正規化相互情報に基づくアルゴリズムを提案する。
• 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: In the feature classification domain, the choice of data affects widely the results. The Hyperspectral image (HSI), is a set of more than a hundred bidirectional measures (called bands), of the same region (called ground truth map: GT). The HSI is modelized at a set of N vectors. So we have N features (or attributes) expressing N vectors of measures for C substances (called classes). The problematic is that it's pratically impossible to investgate all possible subsets. So we must find K vectors among N, such as relevant and no redundant ones; in order to classify substances. Here we introduce an algorithm based on Normalized Mutual Information to select relevant and no redundant bands, necessary to increase classification accuracy of HSI. Keywords: Feature Selection, Normalized Mutual information, Hyperspectral images, Classification, Redundancy.
• Abstract（参考訳）: 特徴分類領域では、データの選択は結果に大きな影響を与えます。 超スペクトル像 (hyperspectral image, hsi) は、同じ領域(基底真理写像 (ground truth map: gt) と呼ばれる)の100以上の双方向測度(バンドと呼ばれる)からなる集合である。 HSIはNベクトルの集合でモデル化される。 したがって、C 個の物質(クラスと呼ばれる)の測度の N 個のベクトルを表す N 個の特徴(あるいは属性)を持つ。 問題は、すべての可能なサブセットを投資することが実際不可能であることです。 したがって、物質を分類するために、関連するものや冗長なものなど、n 内の k 個のベクトルを見出さなければならない。 本稿では,hsiの分類精度を向上させるために必要な冗長帯域選択のための正規化相互情報に基づくアルゴリズムを提案する。 キーワード:機能選択、正規化相互情報、ハイパースペクトル画像、分類、冗長性。

関連論文リスト

• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• 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)
• 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)
• New wrapper method based on normalized mutual information for dimension reduction and classification of hyperspectral images [0.0]
  正規化相互情報(NMI)と誤り確率(PE)に基づく新しいラッパー手法を提案する。 NASAのAVIRIS(Airborne Visible/Infrared Imaging Spectrometer Sensor)が捉えた、2つの挑戦的な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た。
  論文  参考訳（メタデータ） (2022-10-25T21:17:11Z)
• 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)
• Feature selection intelligent algorithm with mutual information and steepest ascent strategy [0.4297070083645048]
  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。
  論文  参考訳（メタデータ） (2022-10-21T23:15:42Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
  そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。 数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
  論文  参考訳（メタデータ） (2020-06-25T12:00:26Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。