Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 35.175.191.36
    [SESS_TIME] => 1628021310
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => 7a2e7d861ec9bf84b54bf5601ca03226
    [SALE_USER_ID] => 0
    [UNIQUE_KEY] => 57e2300379f9678e280ba1015bea6621
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2021 год, номер 2

КЛАССИФИКАЦИЯ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

В.И. Козик, Е.С. Нежевенко
Институт автоматики и электрометрии СО РАН, г. Новосибирск, Россия
kozik@iae.nsk.su
Ключевые слова: классификация, гиперспектральное изображение, главные компоненты, свёрточные нейронные сети, обучение
Страницы: 13-21

Аннотация

Показано, что для классификации фрагментов гиперспектрального изображения весьма эффективны предварительная трансформация его спектральных признаков к главным компонентам и последующее распознавание с применением свёрточной нейронной сети, которая обучена на выборке, составленной из фрагментов этого изображения. Получены высокие проценты правильной классификации при работе с крупноформатным гиперспектральным изображением, причём часть классов, на которые разбито гиперспектральное изображение, очень близки между собой и соответственно трудноразличимы по гиперспектрам. Исследована зависимость правильной классификации от изменения размеров фрагментов, из которых составлены обучающая и валидационная выборки, и от параметров свёрточной нейронной сети.

DOI: 10.15372/AUT20210202
Добавить в корзину
Товар добавлен в корзину