Unsupervised Band Selection for Hyperspectral Image Classification: Particle Swarm Optimization via Cross-Domain Knowledge Transfer
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
Band selection (BS) is a key method in Hyperspectral image (HSI) classification that helps to reduce the computational burden and improve the class separability. However, with the emerging of unmanned aerial vehicle (UAV)-borne HSI datasets, their attributes such as high spatial and spectral resolution as well as large-scale samples pose serious challenges to the existing BS methods, making them inefficient. In addition, the efficient utilization of the prior knowledge from the data collected by fixed UAV-borne sensors in different regions is often easily overlooked. In view of these issues, this paper proposes a neural network-assisted particle swarm optimization (PSO) algorithm for cross-domain BS of UAV-borne HSIs. First, a knowledge learning strategy is designed for the source domain, which applies a neural network model to learn the useful prior knowledge in labeled source domain data. Then, a network-assisted PSO algorithm is introduced to search for the optimal subset of bands in the target domain under the guidance of the valid prior knowledge captured from the source domain by the network model. Moreover, a similarity-based grouping strategy is designed to group similar bands and then select bands from each group with the aims of reducing the redundant information in the subset of bands. Finally, experimental results on three common UAV-borne HSI datasets show that our proposed method can efficiently handle UAV-borne HSI data with large samples, as it is able to find a subset of bands with higher quality compared to several state-of-the-art BS methods.
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 | 0,001 | 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) | 0,000 | 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