Mar, 2024

基于随机主成分分析的高光谱图像分类

PDF
TL;DR本文研究了利用主成分分析（PCA）和随机主成分分析（R-PCA）结合支持向量机（SVM）和轻量级梯度提升机（LightGBM）对高光谱图像进行分类的方法，实验结果表明，对于 Indian Pines 和 Pavia University 两个数据集，PCA 在 SVM 方面表现优于 R-PCA，但在 LightGBM 方面表现相近，Pavia University 和 Indian Pines 的最高分类准确率分别为 0.9925 和 0.9639。
hyperspectral imagerydimensionality reductionrandom projectionsprincipal component analysissupport vector machines
发现论文，激发创造
  • 高性能计算设施上对高光谱数据进行主成分分析的实现：结果与比较

    应用 PCA 算法在高性能设备上实现降维以增加高光谱成像算法的效率和性能，并与 FPGA 实现进行比较以揭示各自的优缺点。

    Mar, 2024

  • 主成分分析加速实时处理高光谱图像的检测和识别准确度

    实时高光谱检测中采用主成分分析进行降维可以加速处理时间，并且通过减少主成分数量可以在不显著降低检测率的情况下进一步减少处理时间。

    Nov, 2023

  • SuperPCA: 一种超像素 PCA 方法用于高光谱图像的无监督特征提取

    本研究提出了一种称为 SuperPCA 的简单但非常有效的超像素 PCA 方法，以学习 HSI 的内在低维特征，通过超像素分割将空间上下文信息纳入无监督的降维，该方法能够提取判别性、紧凑且抗噪声的潜在低维特征，从而改善 HSI 分类性能。

    Jun, 2018

  • 基于随机投影的降维技术综述

    本文总结了基于随机投影的不同方法的使用情况，旨在帮助实践者为其特定应用选择合适的技术，并列举了各种方法的优缺点，并为研究人员提供进一步的参考，以开发新的基于随机投影的方法。

    Jun, 2017

  • 稀疏主成分分析和迭代阈值法

    本文针对特征数比样本个数大的情况，提出了一种新的迭代阈值方法，用于估计主成分空间，这种方法在高维稀疏场景下实现了主成分空间和主要特征向量的一致恢复和最优恢复。模拟实例也证明了其具有竞争性的性能。

    Dec, 2011

  • 迭代式监督主成分分析

    为了解决高维预测问题的计算难题，提出了一种基于 Bayesian 方法和新的维度缩减技术 ISPC 的预处理方法，在多个微阵列基准数据集上得到了很好的结果，并可用于高维数据可视化。

    Oct, 2017

  • 图上稳健主成分分析

    本文介绍了一种名为 “在图上强鲁棒性主成分分析” 的新模型，它将谱图正则化纳入了 Robust PCA 框架中，从而具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点，从实验结果来看，模型在聚类和低秩恢复任务方面表现优异，优于其他十种最先进的模型。

    Apr, 2015

  • 基于降维方法的高光谱成像异常检测的经验分析

    最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出 6.90 倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

    Jan, 2024

  • 稀疏主成分分析的近似算法

    本文介绍了一种名为门限法的难以置信的精简主方向载荷方法，并将其与半定规划松弛相结合，以改进主成分分析的解释性。

    Jun, 2020

  • 大规模高维数据的单次 PCA

    本文提出了一种基于单次随机算法的主成分分析法，适用于处理极大和高维度的数据，并且具有小的计算误差和低的存储成本。

    Apr, 2017