Image analysis of hyperspectral and multispectral data using projection pursuit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Given recent advancements of modern hyperspectral (HS) sensors, the potential for information extraction has increased drastically given the continual improvements in spatial and spectral resolution. As a result, more sophisticated feature extraction and target detection (TD) algorithms are needed to improve the performance of the image analyst, whether computer-based or human. In this paper, a novel TD algorithm based on Projection Pursuit (PP) is proposed and implemented. PP is a well-known technique for dimensionality reduction in multi-band data sets without loss of any critical information. This technique highlights different features of interest in an image, thus improving and simplifying subsequent anomaly detection. The new target detection technique is based on a hybrid of PP and Reed_Xiaoli (RX) anomaly detector. In this study, the combining of PP with the RX detector (PPRX) adds some extra value to the standard RX detection technique and leads the development of a TD method that can be applied on hyperspectral/multispectral (MS) data sets. This novel technique, after being trained by using the Projection Index (PI) and a priori information of target of interest, utilizes RX detector to evaluate each potential projection. The main drawback of previously introduced PP methods such as those based on Information Divergence and Kurtosis/Skewness is that these techniques are sensitive to statistical outliers and cannot be used to highlight a specific target of interest. This study uses three data sets: (1) 4-band IKONOS multispectral data (2) 210-band HYDICE, and (3) 200-band simulated hyperspectral data set.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle