基于补偿模糊神经网络和大数据分析的远程传感图像信息提取

科学领域:

• 人工智能的人工智能
• 遥感 遥感 遥感 遥感
• 图像分析 图像分析

背景情况:

• 医学成像AI和大数据分析对于基于内容的遥感 (CBRS) 至关重要.
• 目前的方法,如基于分类器的检索 (CR),与低级别的图像属性和自主信息检索作斗争.
• 现有的关键词/元数据模型不足以进行复杂的遥感数据分析.

研究的目的:

• 为CBRS提出一个新的基于Fuzzy Class会员身份的图像提取 (FCMIE) 技术.
• 加强自主信息检索并克服现有CR技术的局限性.
• 利用补偿模糊神经网络 (CFNN) 来改善远程传感中的图像分析.

主要方法:

• 开发了基于成员资格的 Fuzzy Class 图像提取 (FCMIE) 用于基于内容的遥感.
• 使用补偿模糊神经网络 (CFNN) 来计算类别标签和模糊成员资格.
• 实现了平衡的加权距离度量,层次嵌套结构和循环相似度量,以实现高效的检索.

主要成果:

• 拟议的CFNN-FCMIE模型在覆盖率,精度和回忆等评估措施中表现出卓越的表现.
• 与CR模型相比,在特征向量,样本平均值和精度回忆比率方面实现了4 - 5%的改进.
• 该方法增强了遥感图像处理和自主视觉内容检索.

结论:

• CFNN-FCMIE模型为基于内容的遥感提供了显著的进步,提高了检索效率和准确性.
• 在功能跟踪,气候预测和降噪的遥感中,CFNN显示出广泛的应用.
• 这项研究为医学成像AI和大数据分析应用提供了宝贵的参考.