| Инд. авторы: | Рылов С.А. |
| Заглавие: | Частичное обучение в рамках иерархической кластеризации для интерактивного анализа аэрокосмических изображений |
| Библ. ссылка: | Рылов С.А. Частичное обучение в рамках иерархической кластеризации для интерактивного анализа аэрокосмических изображений // Региональные проблемы дистанционного зондирования Земли: Материалы V Международной научной конференции / Сибирский федеральный университет, Институт космических и информационных технологий. - 2018. - Красноярск: Сибирский федеральный университет. - С.198-203. - ISBN: 978-5-7638-3978-4. |
| Внешние системы: | РИНЦ: 35468420; |
| Реферат: | rus: Предложен новый алгоритм классификации с частичным обучением, разработанный на основе непараметрического алгоритма кластеризации HCA. Алгоритм позволяет получить иерархическую сегментацию, в которой могут быть также выделены классы, не представленные в обучающей выборке. Высокая скорость работы алгоритма обеспечивает возможность его использования в интерактивном режиме. Экспериментальные результаты подтверждают, что предлагаемый алгоритм позволяет проводить классификацию аэрокосмических изображений в условиях обучающих выборок малого объема. |
| Ключевые слова: | мультиспектральные изображения; спутниковые снимки; частичное обучение; иерархическая кластеризация; частично контролируемая классификация; |
| Издано: | 2018 |
| Физ. характеристика: | с.198-203 |
| Конференция: | Название: V Международная научная конференция «Региональные проблемы дистанционного зондирования Земли» Аббревиатура: РПДЗЗ-2018 Город: Красноярск Страна: Россия Даты проведения: 2018-09-11 - 2018-09-14 Ссылка: http://rprs.sfu-kras.ru/ |
| Цитирование: | 1. Травкин О.И. Подходы к агрегации данных и извлечению факторов в задаче поиска мошенничества в банковских транзакциях//XVIII Междунар. конф. «Аналитика и управление данными в областях с интенсивным использованием данных». 2016. С. 361-369. 2. Адаскина Ю.В., Попов А.М., Реброва П.В. Метод полуавтоматической классификации для данных с несбалансированными классами//Компьютерная лингвистика и вычислительные онтологии: тр. XVIII объединенной конференции «Интернет и современное общество» (IMS-2015). 2015. С. 15-24. 3. Jothi Prakash V., Nithya L.M. A Survey on Semi-Supervised Learning Techniques//arXiv preprint arXiv:1402.4645. 2014. 4. Hady M.F.A., Schwenker F. Semi-supervised learning//Handbook on Neural Information Processing. Springer Berlin Heidelberg. 2013. P. 215-239. 5. Banerjee B., Buddhiraju K.M. A Novel Semi-Supervised Land Cover Classification Technique of Remotely Sensed Images//Journal of the Indian Society of Remote Sensing. 2015. Vol. 43, № 4. P. 719-728. 6. An efficient semi-supervised classification approach for hyperspectral imagery/K. Tan //ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 97. P. 36-45. 7. Spectral-spatial classification of hyperspectral images with semi-supervised graph learning/R. Luo //SPIE Remote Sensing. International Society for Optics and Photonics. 2016. P. 100040T-100040T-6. 8. Semi-supervised hyperspectral image classification using spatio-spectral Laplacian support vector machine/L. Yang //IEEE Geoscience and Remote Sensing Letters. 2014. Vol. 11, № 3. P. 651-655. 9. Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation/L. Wang //ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 97. P. 123-137. 10. Jing X., Chen S.Y., Fan L.L. Semi-supervised classification of multi-spectral images based on density: selected samples//Ninth International Conference on Digital Image Processing (ICDIP 2017). International Society for Optics and Photonics. 2017. Vol. 10420. P. 1042030. 11. Lelis L., Sander J. Semi-supervised density-based clustering//Proc. Ninth IEEE International Conference on Data Mining, ICDM'09. IEEE. 2009. P. 842-847. 12. Рылов С.А., Пестунов И.А. Быстрая иерархическая кластеризация мультиспектральных изображений на графических процессорах NVIDIA//В сборнике: Информационные технологии и нанотехнологии Сборник трудов ИТНТ-2018. Самарский национальный исследовательский университет имени академика С.П. Королева. 2018. С. 865-873. 13. Leclerc B. Description combinatoire des ultramétriques//Math. Sci. Humaines. 1981. Vol. 127, № 73. P. 5-37. 14. Mirzaei A., Rahmati M. A novel hierarchical-clustering-combination scheme based on fuzzy-similarity relations//IEEE Tr. Fuzzy Syst. 2010. Vol. 18, № 1. P. 27-39. 15. Olson C.F. Parallel algorithms for hierarchical clustering//Parallel computing. 1995. Vol. 21, № 8. P. 1313-1325. |
