Continuum removal for ground-based LWIR hyperspectral infrared imagery applying non-negative matrix factorization
Notice bibliographique
Résumé
Continuum removal is vital in hyperspectral image analysis. It enables data to be used for any application and usually requires approximations or assumptions to be made. One of these approximations is related to the calculation of the spectra of the background's blackbody temperature. Here, we present a new method to calculate the continuum removal process. The proposed method eliminates the calculation for ground-based hyperspectral infrared imagery by applying two acquisition sets before and after using the heating source. The approach involves a laboratory experiment on a long-wave infrared (LWIR; 7.7-11.8 μm), with a LWIR-macro lens, an Infragold plate, and a heating source. To calculate the continuum removal process, the approach applies non-negative matrix factorization (NMF) to extract Rank-1 NMF, estimate the downwelling radiance, and compare it with that of other conventional methods. NMF uses gradient-descent-based rules (GD) and non-negative least-squares (NNLS) optimization algorithms to obtain Rank-1 NMF. A comparative analysis is performed with 1%-20% additive noise for all algorithms by using the spectral angle mapper and normalized cross correlation (NCC). Results reveal the promising performance of NMF-GD (average of 72.5% similarity percentage using NCC) and NMF-NNLS (average of 77.6% similarity percentage using NCC).
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».