Hyperspectral image analysis using a simultaneous Denoising and Intrinsic Order Selection (DIOS) approach
Notice bibliographique
Résumé
Recent hyperspectral applications demand for higher accuracy and speed. This thesis develops a hyperspectral application analysis solution to address challenges in the different steps of denoising, order selection and unmixing of hyperspectral application data. Currently, all these steps process the data in cascade to achieve the optimum results. While in existing approaches the desired criterion is different in these steps, the proposed simultaneous Denoising and Intrinsic Order Selection (DIOS) method unifies these criteria. This property not only makes more sense for the desired optimization problem, but also leads to a faster processing algorithm. Consequently, DIOS avoids possible error propagation from the denoising stage to the dimension estimation stage, leading to more accurate results. The proposed method is based on minimizing the estimated Mean Square Error (MSE). The success rate of existing dimension estimation methods declines with the increase of image dimension and the decrease of Signal-to-Noise Ratio (SNR). The most competitive method fails to detect the correct dimension in 30% of cases around 2dB. However, in simulation results DIOS is shown to be successful with a failure rate of about 5%. The proposed unmixing method, based on a simple least square estimation, improves the speed performance least 10 times for an average-sized data cube of 2MB. Compared to some well known existing approaches, the unmixing method improves the estimated MSE up to 60% for SNR<10dB. A new whitening process for hyperspectral applications with coloured noise is also proposed. Since the proposed method avoids the inversion of large matrices, computational complexity is substantially decreased. In the presence of coloured noise, simulation results show that the proposed whitening method lowers the MSE of unmixing and outperforms the existing whitening methods particularly when the noise correction factors increase.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».