Login
- Originaltitel:
- Regression-Induced Representation Learning and Its Optimizer: A Novel Paradigm to Revisit Hyperspectral Imagery Analysis
- Übersetzter Titel:
- Regression-induziertes Repräsentationslernen und sein Optimierer: Ein neuartiges Paradigma zur Analyse hyperspektraler Bilder
- Autor:
- Hong, Danfeng
- Jahr:
- 2019
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Ingenieurfakultät Bau Geo Umwelt
- Betreuer:
- Zhu, Xiaoxiang (Prof. Dr. habil.)
- Gutachter:
- Zhu, Xiaoxiang (Prof. Dr. habil.); Chanussot, Jocelyn (Prof. Dr.); Xia, Gui-Song (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- BAU Bauingenieurwesen, Vermessungswesen; GEO Geowissenschaften
- TU-Systematik:
- BAU 967d; MSR 915d
- Kurzfassung:
- 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.
- Übersetzte Kurzfassung:
- 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... »
- WWW:
- https://mediatum.ub.tum.de/?id=1485285
- Eingereicht am:
- 23.05.2019
- Mündliche Prüfung:
- 15.10.2019
- Dateigröße:
- 79609476 bytes
- Seiten:
- 211
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20191015-1485285-1-8
- Letzte Änderung:
- 30.10.2019
BibTeX