压缩域中的高光谱分类
计算机视觉与模式识别
2015-08-04 v1
摘要
本文研究了基于最近提出的压缩whisk-broom高光谱成像器架构的高光谱像素分类问题，无需重建完整数据立方体。在压缩域进行分类的一个明显优势是其适用于感知数据的实时现场处理。此外，假设训练过程也在压缩域进行，从而将分类单元与接收端的恢复单元隔离。我们表明，或许令人惊讶的是，对不同像素使用不同的测量矩阵会带来更高的学习分类器精度和一致的分类性能，支持了信息多样性在学习中的作用。
引用
@article{arxiv.1508.00282,
title = {On Hyperspectral Classification in the Compressed Domain},
author = {Mohammad Aghagolzadeh and Hayder Radha},
journal= {arXiv preprint arXiv:1508.00282},
year = {2015}
}