基于流形学习的高光谱图像
计算机视觉与模式识别
2025-11-19 v3 机器学习
摘要
传统的特征提取和投影技术，如主成分分析（PCA），难以充分表示X射线传输（XRT）多能（ME）图像，限制了神经网络在决策过程中的性能。为此，我们提出一种方法，通过构建基于统一流形近似和投影（UMAP）的邻接图来近似数据集拓扑结构。该方法捕捉数据中非线性相关性，显著提高了机器学习算法的性能，尤其是在处理来自X射线传输光谱的高光谱图像（HSI）方面。该技术不仅保留了数据的全局结构，还增强了特征的可分离性，从而导致更准确和稳健的分类结果。
引用
@article{arxiv.2503.15016,
title = {Manifold Learning for Hyperspectral Images},
author = {Fethi Harkat and Guillaume Gey and Valérie Perrier and Kévin Polisano and Tiphaine Deuberet},
journal= {arXiv preprint arXiv:2503.15016},
year = {2025}
}