Zobrazeno 1 - 10
of 38
pro vyhledávání: '"small sample classification"'
Autor:
Chang-Hwa Lee, Sang Wan Lee
Publikováno v:
IEEE Access, Vol 12, Pp 184841-184852 (2024)
We consider a challenging learning scenario where neither pretext training nor auxiliary data are available except for small training samples. We call this a transfer-free scenario where we cannot access any transferable knowledge or data. Our propos
Externí odkaz:
https://doaj.org/article/058a4a6afc79497587b09dcb73ace66e
Publikováno v:
IEEE Access, Vol 12, Pp 180844-180863 (2024)
The Broad Learning System Forest (BLSF) model proved to be the preeminent classifier across all assessed datasets, demonstrating outstanding performance and efficiency. In the dataset, BLSF attained an accuracy of 94.53%, markedly exceeding standard
Externí odkaz:
https://doaj.org/article/067e24d13f274a4c936d3fa85d953651
Publikováno v:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol 17, Pp 3091-3107 (2024)
The fine spectral information contained in hyperspectral images (HSI) is combined with rich spatial features to provide feature qualities that serve as distinguishing variables for efficient classification performance. The task's objective is to corr
Externí odkaz:
https://doaj.org/article/c9767aeca0474a668a0ccaf6ad7698e0
Publikováno v:
Journal of Informatics and Web Engineering, Vol 2, Iss 2, Pp 1-7 (2023)
The success of image classification using small samples is contingent on neural network models' capability to derive image representations from the data. A proposed solution is a small-sample image classification system that leverages attention mecha
Externí odkaz:
https://doaj.org/article/bc453c93fa6344189734173df5030e47
Publikováno v:
Heliyon, Vol 9, Iss 10, Pp e20467- (2023)
To effectively classify tree species within datasets characterized by limited samples, we introduced a novel approach named DenseNetBL, founded upon the fusion of the DenseNet architecture and a pivotal bottleneck layer. This bottleneck layer, encomp
Externí odkaz:
https://doaj.org/article/05396edcc084402ab62535ac89256c5c
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:
Remote Sensing, Vol 14, Iss 17, p 4236 (2022)
Classification with a few labeled samples has always been a longstanding problem in the field of hyperspectral image (HSI) processing and analysis. Aiming at the small sample characteristics of HSI classification, a novel ensemble self-supervised fea
Externí odkaz:
https://doaj.org/article/5683acbc4a564e95b441cb0ff0db3a33
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.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.