استفاده ازLPP برای طبقه بندی تصاویرابرطیفی باتعدادنمونه آموزشی محدود

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 712

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS12_101

تاریخ نمایه سازی: 11 مرداد 1393

چکیده مقاله:

محدودیت نمونه های اموزشی قابل اطمینان به ویژه درمواردی که بعدآنها زیادباشدباعث کاهش دقت طبقه بندهای باناظرخواهدشدیکی ازرویکردهابرای حل این مشکل استفاده ازروشهای استخراج ویژگی است بااستفاده ازروشهای استخراج ویژگی میتوان نسبت تعدادنمونه ها را به تعدادویژگیها افزایش دادوازمواجه شدن باپدیده هیوز جلوگیر ینمود استفاده ازروشهای استخراج ویژگی نظارت نشده یانیمهنظارت شده درمواردی که تعدادنمونههای اموزشی اندک باشد میتواند کارایی طبقه بندرا افزایش دهد هرچند دراکثراین روشها نمیتوان ازتمامی نمونههای بدون برچسب به دلیل ایجادبارسنگین ذخیره سازی و محاسباتی استفاده نمود دراین مقاله روشی برای انتخاب نمونههای بدون برچسب درروش نظارت نشده Locally Preserving LPP Projection پیشنهادشده است نتایج بدست امده نشان دهنده افزایش دقت طبقه بندی بااستفاده ازویژگیهای استخراج شده توسط روش پیشنهادی می باشد

کلیدواژه ها:

کاهش ویژگی ، استخراج ویژگی نظارت نشده ، تصاویرابرطیفی ، LPP

نویسندگان

آزاده کیانی سرکله

گروه مهندسی برق دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

محمدحسن قاسمیان یزدی

گروه مهندسی مخابرات دانشگاه تربیت مدرس تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ها برای حل این مشکل استخراج ویژگی است. روشهای استخراج ...
  • باشند، مانند تصاویر ابرطیفی، این روش ها کارایی مناسبی نخواهند ...
  • http ://www .ehu _ _ s/c cن wintc o/index _ ...
  • Hughes G. F.. "On the mean accuracy of statistical pattern ...
  • Landgrebe D. A., Signal Theory Methods in Multispectral Remote Sensing. ...
  • Ji Z., Jing P., Yu T., Su Y.. Liu Ch., ...
  • Pal M., _ 'M _ in -based feature selection for ...
  • Li S. J., Wu H., Wan D. S., Zhu J., ...
  • Kamandar M and Ghassemian H., "Linear Feature Extruction for Hyperspectral ...
  • Maaten L. J. P., Postma E. O., Herik H. J., ...
  • Huang H., Liu J., Pan Y., Sem i-Supervised Marginal Fisher ...
  • Richards J. A., Jia X., Remote Sensing Digital Image Analysis: ...
  • Duda R. O., Hart P. E., Stock D. G., Pattern ...
  • He X., Niyogi P., "Locality preserving projections", Advances in Neural ...
  • Fukunaga K., Introduction to Statistical Pattern Recognition, San Diego, CA: ...
  • Yan S., Xu D., Zhang B., et al, "Graph embedling ...
  • Sugiyama M., T.Ide , Sh.Nakajima and J.Sese, "Semi- Dimensionality Reduction", ...
  • clustering", Advances in Neural Information Processing Systems, Cambridge, MA: MIT ...
  • نمایش کامل مراجع