Autor Tao, Linmi
|
|
Documentos disponibles escritos por este autor (1)
Hacer una sugerencia Refinar búsqueda
Título : Deep Learning for Hyperspectral Image Analysis and Classification Tipo de documento: documento electrónico Autores: Tao, Linmi, Autor ; Mughees, Atif, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2021 Número de páginas: XII, 207 p. 121 ilustraciones, 106 ilustraciones en color. ISBN/ISSN/DL: 978-981-334-420-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Inteligencia artificial Procesamiento de imágenes Visión por computador Procesamiento de la señal Imágenes por computadora visión reconocimiento de patrones y gráficos Procesamiento de señales voz e imágenes Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro se centra en métodos basados en aprendizaje profundo para el análisis de imágenes hiperespectrales (HSI). Se ha diseñado una formulación basada en un factor de ruido de banda adaptativo espectral-espacial no supervisado para la detección de ruido HSI y la categorización de bandas. El método para caracterizar las bandas junto con la estimación del ruido de los HSI beneficiará significativamente a las técnicas de detección remota posteriores. Este libro se desarrolla en dos frentes: por un lado, está dirigido a profesionales del dominio que desean tener una visión general actualizada de cómo las técnicas de adquisición hiperespectral pueden combinarse con arquitecturas de aprendizaje profundo para resolver tareas específicas en diferentes campos de aplicación. Por otro lado, los autores quieren dirigirse a los expertos en aprendizaje automático y visión por computadora ofreciéndoles una idea de cómo se aplican las tecnologías de aprendizaje profundo a los datos hiperespectrales desde una perspectiva multidisciplinaria. La presencia de estos dos puntos de vista y la inclusión de campos de aplicación de la teledetección mediante aprendizaje profundo son las contribuciones originales de esta revisión, que también destaca algunas potencialidades y cuestiones críticas relacionadas con las tendencias de desarrollo observadas. Nota de contenido: Introduction -- Hyperspectral Imaging System -- Classification Techniques for HSI -- Preprocessing: Noise Reduction/ Band Categorization for HSI -- Spatial Feature Extraction Using Segmentation -- Multiple Deep learning models for feature extraction in classification -- Deep learning for merging spatial and spectral information in classification -- Sparse cording for Hyperspectral Data -- Classification Applications of HSI classification -- Conclusion. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Deep Learning for Hyperspectral Image Analysis and Classification [documento electrónico] / Tao, Linmi, Autor ; Mughees, Atif, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2021 . - XII, 207 p. 121 ilustraciones, 106 ilustraciones en color.
ISBN : 978-981-334-420-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Inteligencia artificial Procesamiento de imágenes Visión por computador Procesamiento de la señal Imágenes por computadora visión reconocimiento de patrones y gráficos Procesamiento de señales voz e imágenes Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro se centra en métodos basados en aprendizaje profundo para el análisis de imágenes hiperespectrales (HSI). Se ha diseñado una formulación basada en un factor de ruido de banda adaptativo espectral-espacial no supervisado para la detección de ruido HSI y la categorización de bandas. El método para caracterizar las bandas junto con la estimación del ruido de los HSI beneficiará significativamente a las técnicas de detección remota posteriores. Este libro se desarrolla en dos frentes: por un lado, está dirigido a profesionales del dominio que desean tener una visión general actualizada de cómo las técnicas de adquisición hiperespectral pueden combinarse con arquitecturas de aprendizaje profundo para resolver tareas específicas en diferentes campos de aplicación. Por otro lado, los autores quieren dirigirse a los expertos en aprendizaje automático y visión por computadora ofreciéndoles una idea de cómo se aplican las tecnologías de aprendizaje profundo a los datos hiperespectrales desde una perspectiva multidisciplinaria. La presencia de estos dos puntos de vista y la inclusión de campos de aplicación de la teledetección mediante aprendizaje profundo son las contribuciones originales de esta revisión, que también destaca algunas potencialidades y cuestiones críticas relacionadas con las tendencias de desarrollo observadas. Nota de contenido: Introduction -- Hyperspectral Imaging System -- Classification Techniques for HSI -- Preprocessing: Noise Reduction/ Band Categorization for HSI -- Spatial Feature Extraction Using Segmentation -- Multiple Deep learning models for feature extraction in classification -- Deep learning for merging spatial and spectral information in classification -- Sparse cording for Hyperspectral Data -- Classification Applications of HSI classification -- Conclusion. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
