Инд. авторы:	Синявский Ю.Н., Мельников П.В., Пестунов И.А.
Заглавие:	Наращивание обучающей выборки с помощью процедуры «среднего сдвига» в задачах классификации спутниковых изображений
Библ. ссылка:	Синявский Ю.Н., Мельников П.В., Пестунов И.А. Наращивание обучающей выборки с помощью процедуры «среднего сдвига» в задачах классификации спутниковых изображений // Региональные проблемы дистанционного зондирования Земли: Материалы V Международной научной конференции / Сибирский федеральный университет, Институт космических и информационных технологий. - 2018. - Красноярск: Сибирский федеральный университет. - С.211-215. - ISBN: 978-5-7638-3978-4.
Внешние системы:	РИНЦ: 35468459;
Реферат:	rus: Предложен эффективный метод наращивания обучающей выборки на основе процедуры «среднего сдвига» с учетом пространственной информации в задачах классификации спутниковых изображений. Метод позволяет учитывать структуру непомеченных данных. Приведены результаты экспериментального исследования с использованием гиперспектрального спутникового изображения Salinas, доказывающие эффективность предложенного метода.
Ключевые слова:	сегментация гиперспектральных изображений; процедура "среднего сдвига"; классификация спутниковых изображений; наращивание обучающей выборки;
Издано:	2018
Физ. характеристика:	с.211-215
Конференция:	Название: V Международная научная конференция «Региональные проблемы дистанционного зондирования Земли» Аббревиатура: РПДЗЗ-2018 Город: Красноярск Страна: Россия Даты проведения: 2018-09-11 - 2018-09-14 Ссылка: http://rprs.sfu-kras.ru/
Цитирование:	1. Realistic evaluation of deep semi-supervised learning algorithms/A. Oliver, A. Odena, C. Raffel //arXiv preprint arXiv:1804.09170. 2018. 13 p. 2. good semi-supervised learning that requires a bad GAN/Z. Dai, Z. Yang, F. Yang //Advances in Neural Information Processing Systems. 2017. P. 6510-6520. 3. Раудис Ш.Ю. Влияние объема выборки на качество классификации (обзор)//Статистические проблемы управления: сб. Вильнюс: Институт математики и кибернетики АН ЛитССР, 1984. Вып. 66. С. 9-42. 4. Richards J.A. Remote Sensing Digital Image Analysis. Berlin: Springer-Verlag, 1999. 240 p. 5. Dundar M.M., Landgrebe D.A. Cost-effective semi-supervised classifier approach with kernels//IEEE Transactions on Geoscience and Remote Sensing. 2004. Vol. 42, № 1. P. 264-270. 6. Juszczak P., Duin R.P.W. Learning from a test set//Proceedings of 4th International Conference on Computer Recognition Systems. LNCS: Springer-Verlag, 2005. P. 203-210. 7. Куликова Е.А., Пестунов И.А. Классификация с полуобучением в задачах обработки многоспектральных изображений//Вестн. Казах. нац. ун-та. Серия «Математика, механика, информатика». 2008. Т. 13, № 3. С. 284-290. 8. Bennett K., Demiriz A. Semi-supervised support vector machines//Advances in Neural In-formation Processing Systems. 1999. P. 368-374. 9. Zhu X. Semi-supervised learning literature survey//Computer Science. University of Wisconsin-Madison, 2006. Vol. 2, N 3. P. 4. 10. Fast and simple gradient-based optimization for semi-supervised support vector machines/F. Gieseke, A. Airola, T. Pahikkala, O. Kramer//Neurocomputing. 2014. Vol. 123. P. 23-32. 11. Comaniciu D., Meer P. Mean shift: A robust approach toward feature space analysis//IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24, № 5. P. 603-619. 12. Hyperspectral Remote Sensing Scenes. URL: http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes#Salinas_scene.