Zobrazeno 1 - 10
of 94
pro vyhledávání: '"hyperspectral images classification"'
Publikováno v:
Remote Sensing, Vol 16, Iss 5, p 870 (2024)
Hyperspectral remote sensing images (HSIs) have both spectral and spatial characteristics. The adept exploitation of these attributes is central to enhancing the classification accuracy of HSIs. In order to effectively utilize spatial and spectral fe
Externí odkaz:
https://doaj.org/article/170f3b5a3e46475392609c7e605edb49
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Muhammad Ahmad, Adil Mehmood Khan, Manuel Mazzara, Salvatore Distefano, Swalpa Kumar Roy, Xin Wu
Publikováno v:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol 15, Pp 3948-3957 (2022)
The nonlinear relation between the spectral information and the corresponding objects (complex physiognomies) makes pixelwise classification challenging for conventional methods. To deal with nonlinearity issues in hyperspectral image classification
Externí odkaz:
https://doaj.org/article/80ea5c2a3f9a43fc81a5a1f4ba3b4761
Publikováno v:
Remote Sensing, Vol 15, Iss 15, p 3701 (2023)
Hyperspectral images possess a continuous and analogous spectral nature, enabling the classification of distinctive information by analyzing the subtle variations between adjacent spectra. Meanwhile, a hyperspectral dataset includes redundant and noi
Externí odkaz:
https://doaj.org/article/30d8d0e95812445ea120f9048345c544
Publikováno v:
Applied Sciences, Vol 13, Iss 14, p 8451 (2023)
Recently, deep learning tools have made significant progress in hyperspectral image (HSI) classification. Most of existing methods implement a patch-based classification manner which may cause training test information leakage or waste labeled inform
Externí odkaz:
https://doaj.org/article/a43d48cfc7474feabe4924e2e7f6484f
Publikováno v:
Remote Sensing, Vol 15, Iss 12, p 3084 (2023)
Neural network models for hyperspectral images classification are complex and therefore difficult to deploy directly onto mobile platforms. Neural network model compression methods can effectively optimize the storage space and inference time of the
Externí odkaz:
https://doaj.org/article/84df853f8aa1487891c413940b8439b5
Publikováno v:
Tongxin xuebao, Vol 41, Pp 132-140 (2020)
Aiming at the issues of decreasing spatial resolution and feature loss caused by pooling operation in depth CNN-based hyperspectral image classification algorithm,a bilateral fusion block network （DFBN）composed of bilateral fusion blocks was desi
Externí odkaz:
https://doaj.org/article/404096c913d1445fb135390dbd5c2b08
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Access, Vol 7, Pp 108125-108136 (2019)
Numerous studies have been conducted for hyperspectral image (HSI) classification by assuming that the label information of training data is fully available and correct. However, such an assumption may not always be true in practical applications, wh
Externí odkaz:
https://doaj.org/article/8fc4987b28cd490d81a4a8f69fca2730