• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE 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：基于内核低级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 t-wofold: 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，我们提出了一个核心低级多任务学习（KL-MTL）方法来处理来自变分模式分解（VMD）域的多个特征进行高光谱（HSI）分类。所提出的方法的核心思想是T-WOFOLD：1）应用非递归VMD方法来提取原始数据的各种特征（即，本质模式功能（IMF））同时; 2）通过将提取的IMF作为多个任务进行提取的IMF来提出KL-MTL。在KL-MTL中，核规范配制的低秩表示可以捕获多个任务的全局结构，而核心技巧用于低秩多任务学习的非线性延伸（MTL）。使用真实高光谱数据的实验结果表明，所提出的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