論文の概要: Comparison of Maximum Likelihood Classification Before and After Applying Weierstrass Transform

• arxiv url: http://arxiv.org/abs/2601.04808v1
• Date: Thu, 08 Jan 2026 10:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.165166
• Title: Comparison of Maximum Likelihood Classification Before and After Applying Weierstrass Transform
• Title（参考訳）: Weierstrass 変態前後の最大形態分類の比較
• Authors: Muhammad Shoaib, Zaka Ur Rehman, Muhammad Qasim,
• Abstract要約: Weierstrass Transformを適用し,Weierstrass Transformを適用する前に,ML(Maximum Likelihood Classification)の結果を比較する。 その結果,決定空間におけるクラスの平均値の分離が,Weierstrass Transform を用いて最大好奇数(ML)の分類精度を高める主要な要因であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.33635429537272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of this paper is to use Maximum Likelihood (ML) Classification on multispectral data by means of qualitative and quantitative approaches. Maximum Likelihood is a supervised classification algorithm which is based on the Classical Bayes theorem. It makes use of a discriminant function to assign pixel to the class with the highest likelihood. Class means vector and covariance matrix are the key inputs to the function and can be estimated from training pixels of a particular class. As Maximum Likelihood need some assumptions before it has to be applied on the data. In this paper we will compare the results of Maximum Likelihood Classification (ML) before apply the Weierstrass Transform and apply Weierstrass Transform and will see the difference between the accuracy on training pixels of high resolution Quickbird satellite image. Principle Component analysis (PCA) is also used for dimension reduction and also used to check the variation in bands. The results shows that the separation between mean of the classes in the decision space is to be the main factor that leads to the high classification accuracy of Maximum Likelihood (ML) after using Weierstrass Transform than without using it.
• Abstract（参考訳）: 本研究の目的は,定性的,定量的なアプローチを用いて,マルチスペクトルデータに対するML分類(Maximum Likelihood)を用いることである。 Maximum Likelihood は古典的ベイズ定理に基づく教師付き分類アルゴリズムである。 識別関数を使用して、最も高い確率でクラスにピクセルを割り当てる。 クラス平均ベクトルと共分散行列は関数へのキー入力であり、特定のクラスの訓練画素から推定することができる。 Maximum Likelihoodはデータに適用される前にいくつかの仮定を必要とする。 本稿では,Weierstrass Transformを適用してWeierstrass Transformを適用する前に,ML(Maximum Likelihood Classification)の結果を比較し,高解像度Quickbird衛星画像のトレーニング画素の精度の違いを確認する。 原理成分分析(PCA)は次元の減少にも使われ、またバンドの変動をチェックするためにも用いられる。 その結果,決定空間におけるクラスの平均値の分離は,Weierstrass Transformを使わずに使用する場合よりも,最大類似度(ML)の分類精度が高い要因であることが示唆された。

関連論文リスト

• Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
  グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。 本稿では、リーマン幾何学の観点から行列対数とパワーの包括的かつ統一的な理解を提供する。
  論文  参考訳（メタデータ） (2024-07-15T07:11:44Z)
• On the rate of convergence of a classifier based on a Transformer encoder [55.41148606254641]
  最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。 この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
  論文  参考訳（メタデータ） (2021-11-29T14:58:29Z)
• Stochastic tensor space feature theory with applications to robust machine learning [3.6891975755608355]
  テンソル空間に基づくマルチレベル直交部分空間(MOS)カーフン・ローブ特徴量理論を開発する。 私たちのキーとなる観察は、個別の機械学習クラスは、主に異なる部分空間に存在することができるということです。 血漿データセット(アルツハイマー病神経画像イニシアチブ)の検査では、精度が劇的に向上した。
  論文  参考訳（メタデータ） (2021-10-04T22:01:01Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Exact Learning Augmented Naive Bayes Classifier [0.5076419064097734]
  本稿では,BNの分類精度をCLLを用いた近似学習とMLを用いた正確な学習と比較する。 その結果,MLを最大化したBNの分類精度は,CLLを最大化したBNよりも高いことがわかった。
  論文  参考訳（メタデータ） (2021-07-07T05:03:42Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• 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)
• Supervised Quantile Normalization for Low-rank Matrix Approximation [50.445371939523305]
  我々は、$X$ の値と $UV$ の値を行ワイズで操作できる量子正規化演算子のパラメータを学習し、$X$ の低ランク表現の質を改善する。 本稿では,これらの手法が合成およびゲノムデータセットに適用可能であることを実証する。
  論文  参考訳（メタデータ） (2020-02-08T21:06:02Z)
• Bayesian Semi-supervised Multi-category Classification under Nonparanormality [2.307581190124002]
  セミ教師付き学習はラベル付きデータとラベルなしデータの両方を使用するモデルトレーニング手法である。 本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-11T21:31:25Z)

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。