Extraction of Endmembers From Hyperspectral Images Using A Weighted Fuzzy Purified-Means Clustering Model
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
Hyperspectral endmembers are the spectra of pure materials that are responsible for generating the mixed pixels in hyperspectral images (HSIs). Hyperspectral endmember extraction (HEE) is essentially an inverse problem, where the unknown endmembers are inferred from the spectral measurements. Efficient extraction of endmembers in HSI relies on a well-defined generative model that captures key factors in HSI generation process, such as the clustering effect in the spatial domain and the noise heterogeneity effect in the spectral domain. This paper presents a weighted fuzzy purified-means (WFP-means) clustering model for HEE, where the endmembers are modeled as mean vectors of individual classes, and the fractional contributions of individual endmembers, called abundances, are treated as soft class membership. Accordingly, an endmember is estimated as the weighted mean of purified pixels in HSI, while the abundances are estimated as the nonnegative regression coefficients. In contrast to a mixed pixel that consists of multiple endmembers, a “purified pixel” is due to a single endmember. The introduction of the concept of “purified pixels” into the fuzzy clustering model leads to an elegant optimization scheme. Moreover, the proposed model accounts for the noise variance heterogeneity issue, which is essential for achieving unbiased abundance estimation. The proposed method is tested on both simulated and real HSI, in comparison with several other HEE methods. The results demonstrate that the proposed method compares favorably with respect to the referenced methods in terms of both endmember and abundance estimation.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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