| Инд. авторы: | Мельников П.В., Пестунов И.А. |
| Заглавие: | Метод классификации с частичным обучением для обработки гиперспектральных изображений |
| Библ. ссылка: | Мельников П.В., Пестунов И.А. Метод классификации с частичным обучением для обработки гиперспектральных изображений // Труды Международной конференции "Вычислительная математика и математическая геофизика": посвященная 90-летию со дня рождения академика А. С. Алексеева. - 2018. - Новосибирск: Институт вычислительной математики и математической геофизики Сибирского отделения РАН. - С.308-312. |
| Внешние системы: | РИНЦ: 37014826; |
| Реферат: | rus: Предлагается метод наращивания обучающей выборки с использованием непомеченных данных для выделения классов интереса на гиперспектральных изображениях. Алгоритм расширяет возможности применения традиционных обучаемых классификаторов для решения практических задач, в которых обучающая выборка для интересующих классов мала, а для остальных отсутствует вовсе. Приводятся результаты экспериментального исследования метода на реальных данных, подтверждающие его эффективность. |
| Ключевые слова: | кластеризация данных; гиперспектральные изображения; частичное обучение; классификация; |
| Издано: | 2018 |
| Физ. характеристика: | с.308-312 |
| Конференция: | Название: Международная конференция «Вычислительная математика и математическая геофизика» Город: Новосибирск Страна: Россия Даты проведения: 2018-10-08 - 2018-10-12 |
| Цитирование: | 1. Раудис Ш.Ю. Влияние объема выборки на качество классификации (обзор) // Сб.: Статистические проблемы управления. Вильнюс: Институт математики и кибернетики АН ЛитССР, 1984. Вып. 66. С. 9-42. 2. Richards J.A. Remote Sensing Digital Image Analysis. Berlin: Springer-Verlag, 1999. 240 p. 3. Chapelle O., Sch.olkopf B., Zien A. Semi-Supervised Learning. MIT Press, Cambridge, MA, 2006. 508 p. http://www.kyb.tuebingen.mpg.de/ssl-book 4. Oliver A., Odena A., Raffel C., Cubuk E.D., Goodfellow I.J. Realistic evaluation of deep semi-supervised learning algorithms // arXiv preprint arXiv:1804.09170. 2018. 13 p. 5. Dundar M.M., Landgrebe D. A cost-effective semi-supervised classifier approach with kernels // IEEE Trans. on Geoscience and Remote Sensing. 2004. Vol. 42, N 1. P. 264-270. 6. Juszczak P., Duin R.P.W. Learning from a test set // Proc. of 4th Intern. Conf. on Computer Recognition Systems. LNCS, Springer Verlag, 2005. P. 203-210. 7. Куликова Е.А., Пестунов И.А., Синявский Ю.Н. Непараметрический алгоритм кластеризации для обработки больших массивов данных // В сборнике: Математические методы распознавания образов ММРО-14 доклады XIV Всероссийской конференции. Российская академия наук, Отделение математических наук РАН, Вычислительный центр им. А.А. Дородницына РАН при поддержке Российского фонда фундаментальных исслед. Компании FORECSYS. 2009. С. 149-152. 8. Hyperspectral Remote Sensing Scenes (accessed at 30.07.2018). http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes#Salinas_scene |
