論文の概要: Band selection and classification of hyperspectral images by minimizing normalized mutual information

• arxiv url: http://arxiv.org/abs/2210.14326v1
• Date: Sat, 22 Oct 2022 04:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 14:50:15.363496
• Title: Band selection and classification of hyperspectral images by minimizing normalized mutual information
• Title（参考訳）: 正規化相互情報の最小化による超スペクトル画像のバンド選択と分類
• Authors: E.Sarhrouni, A. Hammouch, D. Aboutajdine
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hyperspectral images (HSI) classification is a high technical remote sensing tool. The main goal is to classify the point of a region. The HIS contains more than a hundred bidirectional measures, called bands (or simply images), of the same region called Ground Truth Map (GT). Unfortunately, some bands contain redundant information, others are affected by the noise, and the high dimensionalities of features make the accuracy of classification lower. All these bands can be important for some applications, but for the classification a small subset of these is relevant. In this paper we use mutual information (MI) to select the relevant bands; and the Normalized Mutual Information coefficient to avoid and control redundant ones. This is a feature selection scheme and a Filter strategy. We establish this study on HSI AVIRIS 92AV3C. This is effectiveness, and fast scheme to control redundancy. Index Terms: Hyperspectral images, Classification, Feature Selection, Normalized Mutual Information, Redundancy.
• Abstract（参考訳）: hyperspectral images (hsi)分類は高度な技術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。 HISには、GT(Garth Truth Map)と呼ばれる同じ領域のバンド(または単に画像)と呼ばれる100以上の双方向測度が含まれている。 残念なことに、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下げている。 これらのバンドはすべて、いくつかのアプリケーションにとって重要であるが、分類では、これらの小さなサブセットが関係している。 本稿では、相互情報(mi)を用いて関連する帯域を選択し、正規化された相互情報係数を用いて冗長帯域を回避・制御する。 これは特徴選択スキームとフィルタ戦略である。 本研究はhsi aviris 92av3cについて行う。 これは有効性であり、冗長性を制御するための高速スキームである。 指標項:ハイパースペクトル画像、分類、特徴選択、正規化相互情報、冗長性。

関連論文リスト

• 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)
• A new band selection approach based on information theory and support vector machine for hyperspectral images reduction and classification [0.0]
  スペクトル帯の選択は、無関係でノイズの多い、冗長なバンドを取り除くための重要なステップです。 本稿では,各帯域間の統計的依存度と相関度を測定するために,共同情報に基づく新たな戦略を提案する。 提案手法は,相互情報に基づく効率的な再生フィルタと比較する。
  論文  参考訳（メタデータ） (2022-10-26T10:54:23Z)
• A novel filter based on three variables mutual information for dimensionality reduction and classification of hyperspectral images [0.0]
  実測情報に基づく帯域選択フィルタは次元減少のための一般的な手法である。 3変数の相互情報に基づく新しいフィルタ手法を開発し、分類のための帯域相関を計測する。 提案手法は非常に競争力があり、効果的であり、再現されたフィルタ戦略性能より優れる。
  論文  参考訳（メタデータ） (2022-10-26T10:29:00Z)
• 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)
• An Algorithm and Heuristic based on Normalized Mutual Information for Dimensionality Reduction and Classification of Hyperspectral images [0.4297070083645048]
  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。
  論文  参考訳（メタデータ） (2022-10-22T02:58:04Z)
• 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)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• 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)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。