Инд. авторы:	Бериков В.Б., Пестунов И.А., Караев Н.М., Тевари А.
Заглавие:	Распознавание гиперспектральных изображений с использованием кластерного ансамбля и частично контролируемого обучения
Библ. ссылка:	Бериков В.Б., Пестунов И.А., Караев Н.М., Тевари А. Распознавание гиперспектральных изображений с использованием кластерного ансамбля и частично контролируемого обучения // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов: Труды Всероссийской конференции. - 2017. - Новосибирск: Институт вычислительных технологий Сибирского отделения РАН. - С.60-64. - ISBN: 978-5-905569-08-1.
Внешние системы:	РИНЦ: 30544586;
Реферат:	rus: Предлагается метод анализа гиперспектральных изображений на основе частично контролируемого обучения. Основная идея состоит в разделении процесса обучения на два этапа. Вначале с помощью ансамбля алгоритмов кластерного анализа строятся варианты сегментации изображения. Далее вычисляется усредненная коассоциативная матрица. На втором этапе по размеченным пикселям строится решающая функция с применением алгоритмов обучения по сходству, на вход которого подается полученная матрица. Описан пример применения разработанного метода для анализа гиперспектральных изображений. Показано, что предложенный алгоритм более устойчив к шуму, чем стандартный метод опорных векторов.
Ключевые слова:	кластерный ансамбль; обучение по сходству; частично контролируемое обучение; гиперспектральное изображение;
Издано:	2017
Физ. характеристика:	с.60-64
Конференция:	Название: Всероссийская конференция «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов» Аббревиатура: SDM-2017 Город: Бердск, Новосибирская область Страна: Россия Даты проведения: 2017-08-29 - 2017-08-31 Ссылка: http://conf.nsc.ru/SDM-2017
Цитирование:	1. Бондур В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации//Исследование Земли из космоса. 2014. N 1. С. 4-16. 2. Zhu X. Semi-supervised learning literature survey/Tech. Rep. (Department of Computer Science, Univ. of Wisconsin, Madison, 2008), no. 1530. 3. Wang, F. Label propagation through linear neighborhoods/Wang, F., Zhang, C.//ICML06, 23rd International Conference on Machine Learning. Pittsburgh, USA. 4. Куликова Е.А., Пестунов И.А. Классификация с полуобучением в задачах обработки многоспектральных изображений//Вестник Казахского национального университета. Серия: Математика, механика, информатика. 2008. Т. 13. № 3. С. 284-290. 5. Wang L., Hao S., Wang Q., Wang Y. Semi-supervised classification for hyperspectral imagery based on spatial-spectral Label Propagation//ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 97. P. 123-137. 6. Berikov V., Pestunov I. Ensemble clustering based on weighted co-association matrices: Error bound and convergence properties//Pattern Recognition. 2017. Vol. 63. P. 427-436. 7. Shawe-Taylor J., Cristianini N. Kernel Methods for Pattern Analysis. Cambridge University Press, 2004. 8. Berikov V.B. Weighted ensemble of algorithms for complex data clustering//Pattern Recognition Letters. 2014. Vol. 38. P. 99-106. 9. Mercer J. Functions of positive and negative type and their connection with the theory of integral equations/Philos. Trans. Roy. Soc. London. 1909.