| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
رویکرد طبقه بندی نیمه نظارتی کارآمد برای تصویربرداری ابرطیفی |
| عنوان انگلیسی مقاله: |
An efficient semi-supervised classification approach for hyperspectral imagery |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2014 |
| تعداد صفحات مقاله انگلیسی | 10 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات و هوش مصنوعی |
| مجله | ISPRS مجله فتوگرامتری و سنجش از دور |
| دانشگاه | گروه مهندسی برق و کامپیوتر، دانشگاه ایالتی می سی سی پی، ایالات متحده آمریکا |
| کلمات کلیدی | ابر طیفی، یادگیری نیمه نظارتی، تقسیم بندی، قطعه بندی، ویژگی های طیفی فضایی SVM |
| شناسه شاپا یا ISSN | ISSN 0924-2716 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 19 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. روش پیشنهادی
2.1 میانگین تغییر
2.2 انتخاب نمونه های بدون برچسب
2.3 دسته مشخصه طیفی – فضایی
2.4 رویکرد نیمه نظارتی پیشنهادی
3. آزمایشات
3.1 داده های مورد استفاده در آزمایشات
3.2 نتایج برای داده های ROSIS
3.3 نتایج برای داده های AVIRIS ایندین پاین
3.4 تحلیل پارامتر
4. نتیجه گیری
- بخشی از ترجمه:
4. نتیجه گیری
در این مقاله، ما یک رویکرد طبقه بندی نیمه نظارتی کارامد را برای طبقه بندی تصاویر تشخیص داده شده از راه دور پیشنهاد کردیم. نمونه های بدون برچسب که بیشترین شباهت را به موارد برچسب دار دارند، توسط معیار همسایه آلفا-یک-نزدیکترین یافت شدند و سپس مجموعه نامزد از نمونه های بدون برچسب توسط استفاده از نتیجه تقسیم بندی مبتنی بر MS بسط پیدا می کند. برای تضمین اینکه نمونه های بدون برچسب نهایی از نظر فضایی توزیع گسترده دارند و همبستگی آنها کمتر است، انتخاب تصادفی با انتخاب انعطاف پذیر تعداد نمونه های بدون برچسب که در یادگیری نیمه نظارتی حضور دارند، انجام شد. پس از آموزش، SVM با نمونه های برچسب دار و بدون برچسب، روش دسته طیفی – فضایی برای رسیدن به طبقه بندی بهتر استفاده شد. نتایج آزمایشی نشان می دهند که روش پیشنهادی عملکرد بهتری را از نظر دقت طبقه بندی ارائه کرده و تعداد اندکی نمونه برچسب دار مورد نیاز است. لازم به ذکر است که الگوریتم های تقسیم بندی که می توانند عملکرد عالی را برای تصویربرداری ابرطیفی فراهم کنند را می توان برای بازی کردن همان نقش به عنوان میانگین تغییر رد S2SVMSE استفاده کرد.
- بخشی از مقاله انگلیسی:
4. Conclusion
In this paper, we have introduced an efficient semi-supervised classification approach for remotely sensed hyperspectral image classification. The unlabeled samples that are the most similar to the labeled ones are found by the a-one-nearest neighbor criterion, and then the candidate set of unlabeled samples is enlarged by utilizing the MS-based segmentation result. To ensure the finally selected unlabeled samples be spatially widely distributed and less correlated, random selection is conducted with the flexibility choice of the number of unlabeled samples actually participating in semi-supervised learning. After training the SVM with both labeled and selected unlabeled samples, the spectral–spatial ensemble method is applied to achieve better classification. Experimental results demonstrate that the proposed method offers a better performance in terms of classification accuracy and a very small numbers of labeled samples required. It should be noted that segmentation algorithms that can provide excellent performance for hyperspectral imagery may be employed to play the same role as Mean Shift in the proposed S2 SVMSE.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
رویکرد طبقه بندی نیمه نظارتی کارآمد برای تصویربرداری ابرطیفی |
| عنوان انگلیسی مقاله: |
An efficient semi-supervised classification approach for hyperspectral imagery |
|
|