Key points are not available for this paper at this time.
هذه الورقة تقدم نهج بايزي مشرف جديد لتقسيم الصور الطيفية فوق المتعددة بالتعلم النشط، والذي يتكون من خطوتين رئيسيتين. أولاً، نستخدم نموذج الانحدار اللوجستي المتعدد الحدود (MLR) لتعلم توزيعات احتمالية الفئات. يتم ذلك باستخدام الانحدار اللوجستي الذي تم تقديمه مؤخرًا عبر خوارزمية الانقسام ولغرانجيان المعززة. ثانياً، نستخدم المعلومات التي تم الحصول عليها في الخطوة السابقة لتقسيم الصورة الطيفية فوق المتعددة باستخدام أولويات لوجستية متعددة المستويات التي ترمز إلى المعلومات المكانية. بهدف تقليل تكلفة الحصول على مجموعات التدريب الكبيرة، يتم إجراء التعلم النشط استنادًا إلى احتمالات MLR اللاحقة. مساهمة أخرى لهذه الورقة هي تقديم نهج جديد للتSampling النشط، يسمى كسر العلاقات المعدل، والذي يمكنه توفير عينة غير متحيزة. علاوة على ذلك، قمنا بتنفيذ طريقتنا المقترحة بطريقة فعالة. على سبيل المثال، من أجل الحصول على تقسيم ملاذ الاحتمالية الزمنية المكلف، نستخدم خوارزمية تحسين صحيحة قائمة على قطع الحد الأدنى. يتم توضيح الأداء المتقدم للنهج المقترح باستخدام كل من مجموعات البيانات الطيفية فوق المتعددة المحاكاة والحقيقية في عدد من المقارنات التجريبية مع طرق تحليل الصور الطيفية فوق المتعددة التي تم تقديمها مؤخرًا.
درس Li et al. (Fri,) هذا السؤال.