• 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 >Randomized nonlinear component analysis for dimensionality reduction of hyperspectral images
【24h】

Randomized nonlinear component analysis for dimensionality reduction of hyperspectral images

机译：高光谱图像降维的随机非线性成分分析

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

摘要

Kernel based feature extraction method overcomes the curse of dimensionality and captures the non-linearities present in the data. However, these methods are not scalable with large number of pixels found with hyperspectral images. Thus, a small subset of pixels are randomly selected to make the solution of kernel based methods tractable. In this paper, we propose scalable nonlinear component analysis for dimensionality reduction of hyperspectral images. The proposed method relies on the randomized feature maps to capture the non-linearities between the variables in the hyperspectral data. Experiments conducted with three hyperspectral datasets show that our proposed method has provided better quality components and outperformed the state-of-the-art in terms of classification performance.
机译：基于核的特征提取方法克服了维数的诅咒，并捕获了数据中存在的非线性。但是，这些方法无法在高光谱图像中找到大量像素时进行缩放。因此，随机选择一小部分像素以使基于核的方法的解决方案易于处理。在本文中，我们提出了可伸缩的非线性分量分析，以减少高光谱图像的维数。所提出的方法依赖于随机特征图来捕获高光谱数据中变量之间的非线性。使用三个高光谱数据集进行的实验表明，我们提出的方法提供了更好的质量成分，并且在分类性能方面超过了最新技术。

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