تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله رویکرد طبقه بندی نیمه نظارتی کارآمد برای تصویربرداری ابرطیفی – نشریه الزویر

عنوان فارسی: رویکرد طبقه بندی نیمه نظارتی کارآمد برای تصویربرداری ابرطیفی
عنوان انگلیسی: An efficient semi-supervised classification approach for hyperspectral imagery
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 19
سال انتشار : 2014 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6185 رفرنس : دارد
محتوای فایل : zip حجم فایل : 5.71Mb
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
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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

نمونه متن انگلیسی

Abstract

In this paper, an efficient semi-supervised support vector machine (SVM) with segmentation-based ensemble (S2 SVMSE) algorithm is proposed for hyperspectral image classification. The algorithm utilizes spatial information extracted by a segmentation algorithm for unlabeled sample selection. The unlabeled samples that are the most similar to the labeled ones are found and the candidate set of unlabeled samples to be chosen is enlarged to the corresponding image segments. To ensure the finally selected unlabeled samples be spatially widely distributed and less correlated, random selection is conducted with the flexibility of the number of unlabeled samples actually participating in semi-supervised learning. Classification is also refined through a spectral–spatial feature ensemble technique. The proposed method with very limited labeled training samples is evaluated via experiments with two real hyperspectral images, where it outperforms the fully supervised SVM and the semi-supervised version without spectral–spatial ensemble.

نمونه متن ترجمه

چکیده

در این مقاله، یک ماشین بردار پشتیبانی نیمه نظارتی کارآمد (SVM) با الگوریتم کلی مبتنی بر تقسیم بندی برای طبقه بندی تصویر ابرطیفی پیشنهاد شده است. این الگوریتم از اطلاعات فضایی استخراج شده توسط یک الگوریتم تقسیم بندی برای انتخاب نمونه بدون برچسب استفاده می کند. نمونه های بدون برچسب که بیشترین شباهت را به موارد برچسب دار دارند، یافت شده و مجموعه کاندیدِ نمونه های بدون برچسب که قرار است انتخاب شوند، به بخش های تصویر متناظر بسط داده می شود. برای تضمین این مطلب که نمونه ی بدون برچسب نهایی به صورت فضایی توزیع گسترده داشته باشد و همبستگی آن کمتر باشد، انتخاب تصادفی انجام می شود با انعطاف پذیری تعداد نمونه های بدون برچسب که در واقع در یادگیری نیمه نظارتی شرکت دارند. طبقه بندی همچنین از طریق یک تکنیک کلی مشخصه طیفی – فضایی پالایش می شود. روش پیشنهادی با نمونه های آموزش برچسب دار بسیار محدود از طریق آزمایش ها با دو تصویر ابرطیفی ارزیابی می شود که در آن این مورد بر SVM کاملا نظارتی و نسخه نیمه نظارتی بدون دسته کلی طیفی - فضایی برتری دارد.