• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Geoscience and Remote Sensing Symposium >Hyperspectral classification based on kernel low-rank multitask learning
【24h】

Hyperspectral classification based on kernel low-rank multitask learning

机译：基于核低秩多任务学习的高光谱分类

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we propose a kernel low-rank multitask learning (KL-MTL) method to handle multiple features from the variational mode decomposition (VMD) domain for hyperspectral (HSI) classification. Core ideas of the proposed method are twofold: 1) a non-recursive VMD method is applied to extract various features (i.e. intrinsic mode functions (IMFs)) of the original data concurrently; 2) KL-MTL is proposed for classification by taking the extracted IMFs as multiple tasks. In KL-MTL, the low-rank representation formulated by nuclear norm can capture global structure of multiple tasks while the kernel tricks are utilized for nonlinear extension of the low-rank multitask learning (MTL). Experimental results using the real hyperspectral data demonstrate that the proposed methods have satisfactory classification performance.
机译：在本文中，我们提出了一种内核低秩多任务学习（KL-MTL）方法来处理来自高模（HSI）分类的变分模式分解（VMD）域中的多个特征。该方法的核心思想有两个方面：1）采用非递归VMD方法同时提取原始数据的各种特征（即固有模式函数（IMF））。 2）通过将提取的IMF作为多个任务，提出了KL-MTL进行分类的方法。在KL-MTL中，核规范制定的低秩表示可以捕获多个任务的全局结构，而内核技巧则用于低秩多任务学习（MTL）的非线性扩展。使用真实的高光谱数据的实验结果表明，该方法具有令人满意的分类性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号