Clustering flou multi-vues guidé par ancrage pour images hyperspectrales et LiDAR

Les données de télédétection multimodales, telles que les images hyperspectrales et LiDAR, fournissent des informations complémentaires pour l'analyse de l'occupation des sols. Cependant, le regroupement efficace de ces données hétérogènes mais spatialement alignées reste un défi en raison de l'incohérence intermodal et de la complexité des données. Dans ce travail, nous proposons un cadre de clustering flou multi-vues guidé par ancrage (AMVFC) pour obtenir un regroupement robuste et cohérent à travers plusieurs modalités. L'approche proposée représente les structures de clusters à travers un ensemble de points d'ancrage et incorpore une appartenance floue partagée pour promouvoir la cohérence intermodale, tout en préservant les caractéristiques de chaque modalité. De plus, une extension profonde du cadre est développée pour mieux capturer les relations non linéaires dans les données multimodales. Des expériences sur trois ensembles de données de référence démontrent que les méthodes proposées atteignent des performances de clustering compétitives et systématiquement améliorées par rapport aux approches existantes. Notre code est disponible sur https://github.com/kcarol1/AMVFC.