Centre de documentation
scientifique

Ensemble learning for hyperspectral image classification using tangent collaborative representation / Hongjun Su in IEEE Transactions on geoscience and remote sensing, vol 58 n° 6 (June 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 6 (June 2020) . - pp 3778 - 3790 Titre : Ensemble learning for hyperspectral image classification using tangent collaborative representation Type de document : Article/Communication Auteurs : Hongjun Su, Auteur ; Yao Yu, Auteur ; Qian Du, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 3778 - 3790 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse d'image numérique [Termes IGN] boosting adapté [Termes IGN] Bootstrap (statistique) [Termes IGN] classification [Termes IGN] classification dirigée [Termes IGN] classification orientée objet [Termes IGN] conception collaborative [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] échantillon [Termes IGN] image hyperspectrale [Termes IGN] neurone artificiel [Termes IGN] performance [Termes IGN] régression Résumé : (auteur) Recently, collaborative representation classification (CRC) has attracted much attention for hyperspectral image analysis. In particular, tangent space CRC (TCRC) has achieved excellent performance for hyperspectral image classification in a simplified tangent space. In this article, novel Bagging-based TCRC (TCRC-bagging) and Boosting-based TCRC (TCRC-boosting) methods are proposed. The main idea of TCRC-bagging is to generate diverse TCRC classification results using the bootstrap sample method, which can enhance the accuracy and diversity of a single classifier simultaneously. For TCRC-boosting, it can provide the most informative training samples by changing their distributions dynamically for each base TCRC learner. The effectiveness of the proposed methods is validated using three real hyperspectral data sets. The experimental results show that both TCRC-bagging and TCRC-boosting outperform their single classifier counterpart. In particular, the TCRC-boosting provides superior performance compared with the TCRC-bagging. Numéro de notice : A2020-280 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2957135 Date de publication en ligne : 01/01/2020 En ligne : https://doi.org/10.1109/TGRS.2019.2957135 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95100 [article]

Vicarious radiometric calibration of satellite ocean colour sensors / D. Antoine (01/09/2004)

Public contenu dans La recherche scientifique spatiale en France, Rapport 2004 au Cospar, Comité Mondial de la Recherche Spatiale, 35e assemblée scientifique, 18-25 juillet 2004 / Yves d' Escatha (2004) Titre : Vicarious radiometric calibration of satellite ocean colour sensors Titre original : Etalonnage radiométrique indirect des capteurs satellite couleur de l'océan Type de document : Article/Communication Auteurs : D. Antoine, Auteur ; Malik Chami, Auteur Editeur : Paris, Toulouse, Kourou [France] : Centre National d'Etudes Spatiales CNES Année de publication : 01/09/2004 Conférence : COSPAR 2004, 35th scientific assembly of the world committee for space research 18/07/2004 25/07/2004 Paris France Importance : pp 106 - 107 Langues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s) [Termes IGN] couleur de l'océan [Termes IGN] étalonnage radiométrique [Termes IGN] neurone artificiel [Termes IGN] photométrie [Termes IGN] polarisation [Termes IGN] radiance Résumé : (Auteur) The basic principle of the so-called vicarious calibration of ocean colour satellite observations is first briefly recalled. A new method is then presented, which is providing elements for this vicarious calibration, starting from sun-photometer ground measurements of sky radiances and degree of polarisation, and based on a neural network approach for the inversion of these measurements in terms of aerosol optical properties. Numéro de notice : C2004-002 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Communication DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=65013

Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks / C.S. Murthy in International Journal of Remote Sensing IJRS, vol 24 n° 23 (December 2003)  

Public [article]  inInternational Journal of Remote Sensing IJRS > vol 24 n° 23 (December 2003) . - pp 4871 - 4890 Titre : Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks Type de document : Article/Communication Auteurs : C.S. Murthy, Auteur ; P.V. Raju, Auteur ; K.V.S. Badrinath, Auteur Année de publication : 2003 Article en page(s) : pp 4871 - 4890 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] agriculture [Termes IGN] analyse diachronique [Termes IGN] classification par maximum de vraisemblance [Termes IGN] classification par réseau neuronal [Termes IGN] cultures [Termes IGN] image multitemporelle [Termes IGN] neurone artificiel Résumé : (Auteur) the need for multi-temporal data analysis for delineation of wheat crop has been demonstrated first. It is found that Maximum Likelihood Classification (MLC) with the composite data of multi-temporal images is limited by the problem of large null set containing crop pixels. Therefore, for effective classification of multi-temporal images, two approaches are evaluated : (1) MLC with different strategies-sequential MLC (s_MLC), MLC with Principal Components (pca_MLC) and iterative MLC (i_MLC) ; and (2) Artificial Neural Network (ANN) with back-propagation method. These classifiers were applied on multi-temporal Indian Remote-Sending satellite (IRS)-1 B images to classify wheat crop in two areas of India, one with dominant wheat and the other with less dominant wheat cultivation. Among the three strategies of MLC, i_MLC has resulted in relatively better classification of wheat. However, the correctness of labelling of wheat pixels. The performance of ANN is proved to be better, in both the situations of dominant wheat and less dominant wheat cultivation. Numéro de notice : A2003-314 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/0143116031000070490 En ligne : https://doi.org/10.1080/0143116031000070490 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=22610 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
080-03231	RAB	Revue	Centre de documentation	En réserve L003	Exclu du prêt

Training a neural network with a canopy reflectance model to estimate crop leaf area index / F. Mark Danson in International Journal of Remote Sensing IJRS, vol 24 n° 23 (December 2003)  

Public [article]  inInternational Journal of Remote Sensing IJRS > vol 24 n° 23 (December 2003) . - pp 4891 - 4905 Titre : Training a neural network with a canopy reflectance model to estimate crop leaf area index Type de document : Article/Communication Auteurs : F. Mark Danson, Auteur ; C.S. Rowland, Auteur Année de publication : 2003 Article en page(s) : pp 4891 - 4905 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] betterave sucrière [Termes IGN] classification par réseau neuronal [Termes IGN] indice de végétation [Termes IGN] Leaf Area Index [Termes IGN] neurone artificiel [Termes IGN] réflectance végétale Résumé : (Auteur) This paper outlines the strategies available for estimating the biophysical properties of crop canopies from remotely sensed data. Spectral reflectance and biophysical data were obtained over 132 plots of sugar beet (Beta vulgaris L.) and in the first part of the paper the strength of the relationships between vegetation indices (VI) and leaf area index (LAI) are examined. In the second part, an approach is tested in which a canopy reflectance model is used to generate simulated spectra for a wide range of biophysical conditions and these data are used to train an artificial neural network (ANN). The advantage of the second approach is that a priori knowledge of the measurement conditions including soil reflectance, canopy architecture and solar position can be included explicitly in the modelling. The results show that the estimation of sugar beet LAI using a trained neural network is more reliable than the use of VI and has the potential to replace the use of VI for operational applications. The use of a priori data on the variation in soil spectral reflectance gave rise to a small increase in LAI estimation accuracy. Numéro de notice : A2003-315 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/0143116031000070319 En ligne : https://doi.org/10.1080/0143116031000070319 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=22611 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
080-03231	RAB	Revue	Centre de documentation	En réserve L003	Exclu du prêt

Base aérienne militaire et missions opérationnelles, Volume 1. Mémoire / Pascal Legai (1993)

Public Titre de série : Base aérienne militaire et missions opérationnelles, Volume 1 Titre : Mémoire Type de document : Mémoire Auteurs : Pascal Legai, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 1993 Importance : 51 p. Format : 21 x 30 cm Note générale : Bibliographie Mémoire de DEA SIG. Mémoire Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] base aérienne [Termes IGN] Hypergraph Based Data Structure [Termes IGN] intelligence artificielle [Termes IGN] neurone artificiel [Termes IGN] réseau neuronal artificiel [Termes IGN] simulation [Termes IGN] sous ensemble flou Index. décimale : DSIG Mémoires du master 2 IG, du master 2 SIG, de l'ex DEA SIG Numéro de notice : 55481A Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Mémoire Master 2 IG Organisme de stage : Laboratoire d'informatique appliquée Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=52017

Voir aussi

• Base aérienne militaire et missions opérationnelles, Volume 2. Annexes / Pascal Legai (1993)
• Base aérienne militaire et missions opérationnelles, Volume 3. Annexes / Pascal Legai (1993)
• Base aérienne militaire et missions opérationnelles, Volume 4. Projet Brainware / Pascal Legai (1993)

Exemplaires(2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
55481-01A	DSIG	Livre	Centre de documentation	En réserve Mezzanine	Disponible
55481-02A	DSIG	Livre	Centre de documentation	En réserve Mezzanine	Disponible

Base aérienne militaire et missions opérationnelles, Volume 2. Annexes / Pascal Legai (1993)

Permalink

Base aérienne militaire et missions opérationnelles, Volume 3. Annexes / Pascal Legai (1993)

Permalink

Base aérienne militaire et missions opérationnelles, Volume 4. Projet Brainware / Pascal Legai (1993)

Permalink

IJCAI-93, proceedings of the 13th International Joint Conference on Artificial Intelligence, Chambéry, Savoie, France, 28 August - 3 September 1993, 2. Proceedings / Ruzena Bajcsy (1993)

Permalink