Classificador adaptativo para dados imagem em alta dimensionalidade com um conjunto pequeno de amostras de treinamento
dc.contributor.author | Lemos, Delnir Monteiro de | pt_BR |
dc.contributor.author | Haertel, Vitor Francisco de Araújo | pt_BR |
dc.date.accessioned | 2022-03-22T04:38:37Z | pt_BR |
dc.date.issued | 2005 | pt_BR |
dc.identifier.issn | 1808-0936 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/236081 | pt_BR |
dc.description.abstract | 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. | pt_BR |
dc.description.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 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 |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | por | pt_BR |
dc.relation.ispartof | Revista brasileira de cartografia. Vol. 57, n. 3 (2005), p. 263-269 | pt_BR |
dc.rights | Open Access | en |
dc.subject | High dimensional image data | en |
dc.subject | Sensoriamento remoto | pt_BR |
dc.subject | Adaptable classifier | en |
dc.subject | Pattem recognition | en |
dc.title | Classificador adaptativo para dados imagem em alta dimensionalidade com um conjunto pequeno de amostras de treinamento | pt_BR |
dc.title.alternative | An adaptive classifier for high dimensional image data anda small training sample set | en |
dc.type | Artigo de periódico | pt_BR |
dc.identifier.nrb | 000556694 | pt_BR |
dc.type.origin | Nacional | pt_BR |
Este item está licenciado na Creative Commons License
-
Artigos de Periódicos (39330)Ciências Exatas e da Terra (5974)