...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >Random Subspace Ensemble With Enhanced Feature for Hyperspectral Image Classification
【24h】

Random Subspace Ensemble With Enhanced Feature for Hyperspectral Image Classification

机译：随机子空间集合，具有高光谱图像分类的增强功能

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this letter, we propose a new hyperspectral image (HSI) classification approach, called the random subspace ensemble with enhanced feature (RSE-EF), which trains several individual classifiers with enhanced spatial information. The proposed approach aims to address two common issues: the curses of the imbalanced training samples and high feature-to-instance ratio. Specifically, we first propose a similar-neighboring-sample-search (SNSS) method to address the issue of imbalanced training samples. Afterward, we generate the enhanced random subspaces (ERSs) that possess relatively lower dimensionality and more distinctive information compared with the original random subspaces (RSs) so as to alleviate the curse of high feature-to-instance ratio more effectively. Furthermore, a shallow neural network kernel-based extreme learning machine (KELM) is applied to the RSE-EF to classify image pixels. Experimental results on two public hyperspectral data sets illustrate that the proposed RSE-EF approach outperforms the state-of-the-art HSI classification counterparts.
机译：在这封信中，我们提出了一种新的高光谱图像（HSI）分类方法，称为随机子空间集合，其中包含增强特征（RSE-EF），其列举了具有增强的空间信息的多个单独的分类器。该拟议的方法旨在解决两个常见问题：不平衡训练样本的诅咒和高特征与实例比例。具体来说，我们首先提出了类似相邻的样本搜索（SNSS）方法来解决不平衡训练样本的问题。之后，我们生成具有相对较低的维度和更明显的信息的增强的随机子空间（ERS），与原始随机子空间（RSS）相比，以便更有效地缓解高特征到实例比的诅咒。此外，基于浅神经网络基于内核的极端学习机（KELM）被应用于RSE-EF以对图像像素进行分类。两个公共超光谱数据集的实验结果说明所提出的RSE-EF方法优于最先进的HSI分类对应物。

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