Login
Original title:
Regression-Induced Representation Learning and Its Optimizer: A Novel Paradigm to Revisit Hyperspectral Imagery Analysis
Translated title:
Regression-induziertes Repräsentationslernen und sein Optimierer: Ein neuartiges Paradigma zur Analyse hyperspektraler Bilder
Author:
Hong, Danfeng
Year:
2019
Document type:
Dissertation
Institution:
Ingenieurfakultät Bau Geo Umwelt
Advisor:
Zhu, Xiaoxiang (Prof. Dr. habil.)
Referee:
Zhu, Xiaoxiang (Prof. Dr. habil.); Chanussot, Jocelyn (Prof. Dr.); Xia, Gui-Song (Prof. Dr.)
Language:
en
Subject group:
BAU Bauingenieurwesen, Vermessungswesen; GEO Geowissenschaften
TUM classification:
BAU 967d; MSR 915d
Abstract:
This thesis presents a novel paradigm to analyze the remotely sensed hyperspectral imagery, i.e. hyperspectral dimensionality reduction, spectral unmixing, cross-modality fusion and learning. The trade-off between spectral robustness and discrimination is considered by regression-based representation models. Accordingly, the optimizers are designed for the solutions of these models. Results are assessed on several datasets in comparison with state-of-the-art methods.
Translated abstract:
Bei dieser Arbeit handelt es sich um ein neuartiges Paradigma zur Analyse hyperspektralen Fernerkundungsdaten, inkl. der Reduzierung der hyperspektralen Dimensionen, der spektralen Entmischung, der Fusion und des Lernens in einer modalitätsübergreifenden Weise. Der Kompromiss zwischen spektraler Robustheit und Diskriminierung wird von regressionsbasierten Darstellungsmodellen berücksichtigt. Dementsprechend sind Optimierer für die Lösungen dieser Modelle entwickelt. Die Ergebnisse werden mit meh... »
Date of submission:
23.05.2019
Oral examination:
15.10.2019
File size:
79609476 bytes
Pages:
211
Last change:
30.10.2019
BibTeX