論文の概要: Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier

• arxiv url: http://arxiv.org/abs/2210.15546v1
• Date: Thu, 27 Oct 2022 15:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 14:38:56.780253
• Title: Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier
• Title（参考訳）: スペクトル相互作用とSVM分類器を用いたハイパースペクトル画像の分類と次元化
• Authors: Asma Elmaizi, Elkebir Sarhrouni, Ahmed Hammouch, Nacir Chafik
• Abstract要約: ハイパースペクトル画像(HSI)の高次元性は、収集したデータを分析する上で大きな課題の1つである。 ノイズ、冗長、無関係なバンドの存在は、計算複雑性を増大させる。 本稿では,スペクトル相互作用尺度に基づく新しいフィルタ手法と,次元減少のための支持ベクトルマシンを提案する。
• 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: Over the past decades, the hyperspectral remote sensing technology development has attracted growing interest among scientists in various domains. The rich and detailed spectral information provided by the hyperspectral sensors has improved the monitoring and detection capabilities of the earth surface substances. However, the high dimensionality of the hyperspectral images (HSI) is one of the main challenges for the analysis of the collected data. The existence of noisy, redundant and irrelevant bands increases the computational complexity, induce the Hughes phenomenon and decrease the target's classification accuracy. Hence, the dimensionality reduction is an essential step to face the dimensionality challenges. In this paper, we propose a novel filter approach based on the maximization of the spectral interaction measure and the support vector machines for dimensionality reduction and classification of the HSI. The proposed Max Relevance Max Synergy (MRMS) algorithm evaluates the relevance of every band through the combination of spectral synergy, redundancy and relevance measures. Our objective is to select the optimal subset of synergistic bands providing accurate classification of the supervised scene materials. Experimental results have been performed using three different hyperspectral datasets: "Indiana Pine", "Pavia University" and "Salinas" provided by the "NASA-AVIRIS" and the "ROSIS" spectrometers. Furthermore, a comparison with the state of the art band selection methods has been carried out in order to demonstrate the robustness and efficiency of the proposed approach. Keywords: Hyperspectral images, remote sensing, dimensionality reduction, classification, synergic, correlation, spectral interaction information, mutual inform
• Abstract（参考訳）: 過去数十年間、ハイパースペクトルリモートセンシング技術の発展は、様々な分野の科学者の間で関心を集めてきた。 ハイパースペクトルセンサによって提供されるリッチで詳細なスペクトル情報は、地球表面物質のモニタリングと検出能力を改善した。 しかし, ハイパースペクトル画像(HSI)の高次元性は, 収集したデータを分析する上での大きな課題の1つである。 雑音、冗長、無関係な帯域の存在は計算複雑性を増大させ、ヒューズ現象を誘発し、ターゲットの分類精度を低下させる。 したがって、次元の減少は次元の課題に直面するための重要なステップである。 本稿では,スペクトル相互作用尺度の最大化に基づく新しいフィルタ手法と,HSIの次元削減と分類のための支持ベクトルマシンを提案する。 提案したMax Relevance Max Synergy (MRMS)アルゴリズムは、スペクトルの相乗効果、冗長性、および関連度を組み合わせて各バンドの関連性を評価する。 本研究の目的は,教師付きシーンの正確な分類を提供する相乗的帯域の最適サブセットを選択することである。 実験は、NASA-AVIRISとROSISの分光計で提供される「インドパイン」と「パヴィア大学」と「サリナス」の3つの異なるハイパースペクトルデータセットを用いて実施された。 さらに,提案手法のロバスト性や効率性を実証するために,アートバンド選択法の現状との比較を行った。 キーワード:ハイパースペクトル画像、リモートセンシング、次元減少、分類、シナジー、相関、スペクトル相互作用情報、相互情報

関連論文リスト

• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。 特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。 スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• SSF-Net: Spatial-Spectral Fusion Network with Spectral Angle Awareness for Hyperspectral Object Tracking [21.664141982246598]
  ハイパースペクトルビデオ(HSV)は、空間的、スペクトル的、時間的情報を同時に提供する。 既存の手法は主にバンド再編成に重点を置いており、特徴抽出のためにRGBトラッカーに依存している。 本稿では、超スペクトル(HS)物体追跡において、スペクトル角認識(SST-Net)を用いた空間-スペクトル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T09:37:13Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• 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)
• Supervised classification methods applied to airborne hyperspectral images: Comparative study using mutual information [0.0]
  本稿では,SVM,Random Forest RF,K-Nearest Neighbors KNN,Linear Discriminant Analysis LDAの4つの教師付き学習アルゴリズムの性能について検討する。 実験は、NASAの空中可視/赤外線イメージング分光計センサーAVIRISと反射光学系イメージング分光計ROSISセンサーから得られた3つの実際のハイパースペクトルデータセットで実施された。
  論文  参考訳（メタデータ） (2022-10-27T13:39:08Z)
• A novel information gain-based approach for classification and dimensionality reduction of hyperspectral images [0.0]
  本稿では,高スペクトル画像の次元化と分類のための情報ゲインに基づく新しいフィルタ手法を提案する。 ハイパースペクトル帯の選択に基づく特別な戦略が採用され、最も情報性の高いバンドを選択し、無関係でノイズの多いバンドを捨てる。 提案手法は,2つのベンチマークハイパースペクトルデータセット(インド,パヴィア)と3つの競合する手法を用いて比較する。
  論文  参考訳（メタデータ） (2022-10-26T20:59:57Z)
• A Novel Approach for Dimensionality Reduction and Classification of Hyperspectral Images based on Normalized Synergy [0.0]
  クラス予測に相補的な関連帯域を検出するために,新しいフィルタ手法である正規化相互シナジー(NMS)を提案する。 提案手法は,最大正規化交感神経情報の組み合わせに基づいて,選択した帯域の識別力を測定する。 NASAが提案した3つのベンチマークハイパースペクトル画像の実験結果は、提案手法の堅牢性、有効性、識別力を示した。
  論文  参考訳（メタデータ） (2022-10-25T10:36:26Z)
• Tensor Decompositions for Hyperspectral Data Processing in Remote Sensing: A Comprehensive Review [85.36368666877412]
  ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。 近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。 3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
  論文  参考訳（メタデータ） (2022-05-13T00:39:23Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Spatial-Spectral Manifold Embedding of Hyperspectral Data [43.479889860715275]
  本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。 空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。 SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
  論文  参考訳（メタデータ） (2020-07-17T05:40:27Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。