关联受约束的模糊集群和歧视性非负表示的联合学习,用于高光谱频段选择
1College of Computer Science, Liaocheng University, Liaocheng 252059, China.
本研究引入了一种新的超频谱带选择方法 (CFNR),该方法有效地减少了维度. 通过使用联合学习和相关性约束,CFNR通过选择更具信息性的频段来改进超谱图像分类.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 数据科学数据科学数据科学
背景情况:
- 超光谱频段选择对于管理高维数据在超光谱成像 (HSI) 中至关重要.
- 现有的集群方法在与高质量金融机构固有的维度诅咒作斗争.
- 需要先进的方法来选择信息和代表性的乐队.
研究的目的:
- 开发一种新的超频谱带选择方法 (CFNR),克服现有方法的局限性.
- 整合特征学习和聚类,以提高频段选择性能.
- 通过更好的频段选择,提高高光谱图像分类的可靠性.
主要方法:
- 一个联合学习框架,结合了图形规范非负矩阵分解 (GNMF) 和受约束的模糊C-平均值 (FCM).
- 聚类是在学习的特征表示上进行的,而不是原始的高维数据.
- 引入了相关性约束,以确保邻近带集群结果之间的相似性.
主要成果:
- CFNR成功地学习了带的歧视性非负表示.
- 该方法有效地利用了HSI的内在多重结构.
- 实验结果显示,CFNR在5个真实超频谱数据集上的性能优于最先进的方法.
结论:
- 与现有方法相比,CFNR提供了更具信息性和代表性的频段子集.
- 拟议的方法显著提高了高光谱图像分类的可靠性.
- CFNR为有效的高光谱频段选择提供了强大的解决方案.
更多相关视频
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
相关概念视频
Cluster Sampling Method
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...
2D NMR: Overview of Heteronuclear Correlation Techniques
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
UV–Vis Spectroscopy: Woodward–Fieser Rules
