Unsupervised dimensionality reduction of hyperspectral images using representations of reflectance spectra
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
Unsupervised feature selection (UFS) is a standard approach to reduce the dimensionality of hyperspectral images (HSIs). The main idea in UFS is to define a similarity metric, and select the features minimizing the metric to reduce the data redundancy. In this paper, we proposed a novel criterion for unsupervised dimensionality reduction based on the representation of spectral reflectance to capture dominant reflectance variations. Since capturing all the spectral information from an entire hyperspectral dataset is a time-consuming process, we proposed a heuristic algorithm named Greedy Search for Spectral Representation (GSSR). This algorithm divides the spectrum into spectral regions with less spectral variations and merges them. GSSR, similar to feature selection techniques, preserves the original data from being distorted or compromised by a transformation. We compared the GSSR algorithm with well-known existing algorithms in different experiments using various datasets. Comparison with the best approximation to represent single spectra as well as entire hyperspectral scene revealed that spectral representation is almost the same. The difference between the best spectral representation and the ones provided by GSSR is less than 0.01%; while on average, GSSR is about 660 times faster to represent single spectra and 37 times faster for a complete hyperspectral scene. Five well-known unsupervised dimensionality reduction methods were also implemented and used for comparison analysis. Based on the image classification accuracy over two hyperspectral datasets, the spectral features identified by the proposed criterion improved the classification accuracy as well.
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 | 0,000 |
| 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