Mar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于随机主成分分析的高光谱图像分类

    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。

    Mar, 2024

  • 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

  • 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

  • 大数据集的主成分分析算法

    本文介绍了一种基于随机方法的主要成分分析算法，该算法适用于无法存储在内存中的大型数据集，并通过多个数值实例展示了其性能。

    Jul, 2010

  • 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

  • 高效公平主成分分析

    提出一种适应性一阶算法，通过使用 Pareto 最优性的概念来学习保持公平性，同时略微牺牲重构损失的子空间，证明了该算法的解对于所有敏感群体都属于 Pareto 前沿，从而保证了整体重建损失和公平约束之间的最优权衡，并提供了收敛分析和验证了该算法在各种数据集上的优异性能。该算法可有效地将不公平决策降至最低，并可推广至多组敏感特征。

    Nov, 2019

  • 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

  • 改进的分布式主成分分析

    本文研究具有多台服务器的分布式计算环境，通过开发 PCA 算法来处理点集的低维子空间问题，进而解决异常检测以及聚类等计算问题，提出的新算法显著降低了 $k$-means 聚类与相关问题的计算以及通讯成本，并且经过实验验证，在解决方案质量方面具有忽略不计的退化。

    Aug, 2014

  • 主成分分析的随机算法

    本文提出一种有效的算法，用于对任意规模的矩阵进行低秩逼近，可以在保证精度的同时大大提高计算效率，实验结果证明了算法的可行性。

    Sep, 2008