Classificador adaptativo para dados imagem em alta dimensionalidade com um conjunto pequeno de amostras de treinamento
Fecha
2005Otro título
An adaptive classifier for high dimensional image data anda small training sample set
Materia
Resumo
Neste trabalho é testado um classificador adaptativo que visa suavizar os efeitos causados por um número insuficiente de amostras de treinamento, fato este que pode degradar severamente a acurácia dos resultados obtidos por um classificador paramétrico utilizando dados com dimensão alta. O classificador adaptativo adiciona amostras semi-rotuladas ao conjunto das amostras de treinamento com o objetivo de reduzir os efeitos causados pelo pequeno número de amostras. O efeito das amostras semi-rohl ...
Neste trabalho é testado um classificador adaptativo que visa suavizar os efeitos causados por um número insuficiente de amostras de treinamento, fato este que pode degradar severamente a acurácia dos resultados obtidos por um classificador paramétrico utilizando dados com dimensão alta. O classificador adaptativo adiciona amostras semi-rotuladas ao conjunto das amostras de treinamento com o objetivo de reduzir os efeitos causados pelo pequeno número de amostras. O efeito das amostras semi-rohlladas é controlado por meio de um peso menor do que o peso atribuído as amostras originais. Os experimentos desenvolvidos mostram que este procedimento é eficiente na redução dos efeitos do fenômeno de Hughes contribuindo para aumentar a acurácia da imagem temática produzida. ...
Abstract
In this paper, we test a self-leaming and self-improving adaptive classifier to mitigate the problem of small training sample size that can severely affect the accuracy of the results produced by a parametric classifier employing high dimensional image data. The adaptive classifier mitigates the small training sample size by adding semi-labeled samples to the training set. In order to control the influence of semi-labeled samples, the proposed method assigns full weight to the training samples ...
In this paper, we test a self-leaming and self-improving adaptive classifier to mitigate the problem of small training sample size that can severely affect the accuracy of the results produced by a parametric classifier employing high dimensional image data. The adaptive classifier mitigates the small training sample size by adding semi-labeled samples to the training set. In order to control the influence of semi-labeled samples, the proposed method assigns full weight to the training samples and reduced weight to semi-labeled samples. Experiments show that this procedure is effective in mitigating the Hughes phenomenon and increasing therefore the accuracy ofthe resulting thematic map ...
En
Revista brasileira de cartografia. Vol. 57, n. 3 (2005), p. 263-269
Origen
Nacional
Colecciones
-
Artículos de Periódicos (39565)Ciencias Exactas y Naturales (6036)
Este ítem está licenciado en la Creative Commons License