Hyperspectral image classification incorporating bacterial foraging-optimized spectral weighting
Notice bibliographique
Résumé
The present paper describes the development of a hyperspectral image classification scheme using support vector machines (SVM) with spectrally weighted kernels. The kernels are designed during the training phase of the SVM using optimal spectral weights estimated using the Bacterial Foraging Optimization (BFO) algorithm, a popular modern stochastic optimization algorithm. The optimized kernel functions are then in the SVM paradigm for bi-classification of pixels in hyperspectral images. The effectiveness of the proposed approach is demonstrated by implementing it on three widely used benchmark hyperspectral data sets, two of which were taken over agricultural sites at Indian Pines, Indiana, and Salinas Valley, California, by the Airborne Visible Infra-Red Imaging Spectrometer (AVIRIS) at NASA’s Jet Propulsion Laboratory. The third dataset was acquired using the Reflective Optical System Imaging Spectrometer (ROSIS) over an urban scene at Pavia University, Italy to demonstrate the efficacy of the proposed approach in an urban scenario as well as with agricultural data. Classification errors for One-Against-One (OAO) and classification accuracies for One-Against-All (OAA) schemes were computed and compared to other methods developed in recent times. Finally, the use of the BFO-based technique is recommended owing to its superior performance, in comparison to other contemporary stochastic bio-inspired algorithms.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».