Key points are not available for this paper at this time.
Ein Klassifikator, der die Klassifikation im nächsten Unterraum mit einer distanzgewichteten Tikhonov-Regularisierung verbindet, wird für hyperspektrale Bilder vorgeschlagen. Der resultierende nächst-regularisierte Unterraum-Klassifikator sucht eine Annäherung jeder Testprobe durch eine lineare Kombination der Trainingsproben innerhalb jeder Klasse. Das Klassenlabel wird dann entsprechend der Klasse abgeleitet, die die Testprobe am besten annähert. Die distanzgewichtete Tikhonov-Regularisierung wird dann modifiziert, indem die Distanz innerhalb eines lokalitäts-erhaltenden, niederdimensionalen Unterraums gemessen wird. Darüber hinaus wird ein wettbewerbsorientierter Prozess zwischen den Klassen vorgeschlagen, um die Parameteranpassung zu vereinfachen. Klassifikationsergebnisse für mehrere hyperspektrale Bilddatensätze zeigen die überlegene Leistung des vorgeschlagenen Ansatzes im Vergleich zu anderen, traditionelleren Klassifikationstechniken.
Li et al. (2013) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: