Fast endmember extraction method using the geometry of the hyperspectral datacube
Notice bibliographique
Résumé
This paper proposes a new method to extract the endmembers of a hyperspectral datacube using the geometry of the datacube. The criterion used to find the endmembers in this method is the volume of the simplex. Unlike to the widely used endmember extraction method "N-FINDR", which calculates the volume of a simplex as many times as the number of the vertices of the simplex for each pixel of the datacube in searching for the replacers for the vertices, the proposed method calculates the volume only once for each pixel of the datacube by taking into account of the geometry of the hyperspectral datacube that is tackled. For each pixel, the proposed method finds the closest vertex of the simplex to that pixel. Then the closest vertex is replaced with the pixel for updating the simplex. Computational complexity of the proposed method is one order of magnitude less than the N-FINDR. As the proposed method is using the same criterion as N-FINDR we refer it to as fast N-FINDR (FN-FINDR). The performance of the proposed method was compared with N-FINDR using an AVIRIS datacube and a HYDICE datacube. The performance of the proposed method was evaluated using three different distance measures. The comparison was also made using two different dimensionality reduction methods. It is observed that the FN-FINDR with a modified Euclidean distance works as well as N-FINDR.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».