Centre de documentation
scientifique

An incremental isomap method for hyperspectral dimensionality reduction and classification / Yi Ma in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 6 (June 2021)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 87 n° 6 (June 2021) . - pp 445 - 455 Titre : An incremental isomap method for hyperspectral dimensionality reduction and classification Type de document : Article/Communication Auteurs : Yi Ma, Auteur ; Zezhong Zheng, Auteur ; Yutang Ma, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 445 - 455 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] algorithme d'apprentissage [Termes IGN] classification barycentrique [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] échantillonnage de données [Termes IGN] image AVIRIS [Termes IGN] image hyperspectrale [Termes IGN] squelettisation [Termes IGN] utilisation du sol Résumé : (Auteur) Many manifold learning algorithms conduct an eigen vector analysis on a data-similarity matrix with a size of N×N, where N is the number of data points. Thus, the memory complexity of the analysis is no less than O(N2). We present in this article an incremental manifold learning approach to handle large hyperspectral data sets for land use identification. In our method, the number of dimensions for the high-dimensional hyperspectral-image data set is obtained with the training data set. A local curvature variation algorithm is utilized to sample a subset of data points as landmarks. Then a manifold skeleton is identified based on the landmarks. Our method is validated on three AVIRIS hyperspectral data sets, outperforming the comparison algorithms with a k–nearest-neighbor classifier and achieving the second best performance with support vector machine. Numéro de notice : A2021-375 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.87.7.445 Date de publication en ligne : 01/06/2021 En ligne : https://doi.org/10.14358/PERS.87.7.445 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97829 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2021061	SL	Revue	Centre de documentation	Revues en salle	Disponible