Tamanho da fonte:
Avaliação da classificação automática de imagens hiperespectrais após a redução da dimensionalidade usando algoritmos de Manifold Learning
Última alteração: 2021-09-13
Resumo
Imagens hiperespectrais (IHs) possuem centenas de bandas e devido a isso maior capacidade de discriminação, o que beneficia na precisão de diversas aplicações de classificação. Entretanto, a alta resolução espectral e alta correlação de bandas das IHs podem provocar a ocorrência da maldição da dimensionalidade. Dessa forma, o estudo de métodos de redução de dimensionalidade (RD) como a Análise de Componentes Principais (PCA) e métodos de manifold learning, (como t-distributed Stochastic Neighbor Embedding [t-SNE]) são relevantes nessas imagens. Nesse cenário, o objetivo do presente trabalho é analisar a classificação final de pixels de IHs fazendo uso dos classificadores K-Nearest Neighbors (KNN) e Support Vector Machines (SVM) após o processo de RD usando os procedimentos previamente citados, na qual o redutor t-SNE com o classificador SVM obteve acurácia de 70,81%, enquanto o PCA com KNN teve cerca de 57,32% de acurácia
Texto completo:
PDF