Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Aνάπτυξη μεθόδων με επίβλεψη και χωρίς επίβλεψη για εκτίμηση φασμάτων σε πολύ-φασματικές εικόνες

Logothetis Fragkoulis

Πλήρης Εγγραφή

---

Περίληψη

Η υπερφασματική απεικόνιση είναι μια αναδυόμενη τεχνολογία που ενσωματώνει την συμβατική απεικόνιση και τη φασματοσκοπία για την συλλογή, τόσο χωρικών, όσο και φασματικών πληροφοριών από ένα αντικείμενο. Οι φασματικές εικόνες, που συλλέγονται στο φασματικό κύβο είναι δεκάδες εκατοντάδες και η πληροφορία που λαμβάνουμε από αυτές έχουν κρίσιμη σημασία για εφαρμογές, όπως: βιοϊατρική τεχνολογία, τηλε-ανίχνευση, μικροσκοπία και άλλα. Παρ' όλα αυτά, τα σημερινά υπερφασματικά συστήματα χαρακτηρίζονται από μακρύ χρόνο απόκρισης, κάτι που τα εμποδίζει να παρατηρήσουν οποιαδήποτε δυναμικά αναπτυσσόμενα φαινόμενα. Επίσης, είναι δαπανηρά και μεγάλα σε μέγεθος, γεγονός που τα καθιστά απρόσιτα για πολλές εφαρμογές. Προκειμένου, να αντιμετωπιστούν αυτοί οι περιορισμοί, αναπτύχθηκε από εμάς ένα σύστημα στιγμιότυπης φασματικής απεικόνισης, το οποίο συλλέγει μόνο έξι φασματικές μπάντες και χρησιμοποιώντας τεχνικές επέκτασης διαστάσεων, παρέχει υπερφασματική απεικόνιση σε πραγματικό χρόνο. Ούτως ώστε να επιτευχθεί αυτός ο στόχος, χρησιμοποιήθηκαν πολλές μέθοδοι φασματικής εκτίμησης και συγκρίθηκαν όσον αφορά, την ελαχιστοποίηση του σφάλματος εκτίμησης των μη συλλεγμένων φασματικών εικόνων. Οι αλγόριθμοι: Wiener, PCA, Random Forest Regression, Linear Regression, Neural Networks και Support vector Regression είναι μερικοί από τους μεθόδους που εφαρμόστηκαν για την επέκταση της διάστασης του φασματικού χώρου. Για να γίνει αυτό με μεγαλύτερη ακρίβεια προτείνουμε την νέα Adaptive Hybrid μέθοδο, που υπερέχει των παραπάνω μοντέλων φασματικής εκτίμησης και επιτυγχάνει το χαμηλότερο σφάλμα εκτίμησης. Αναλυτικότερα, η καινοτομία της προτεινόμενης μεθόδου πηγάζει κυρίως από τον συνδυασμό των μοντέλων Wiener και PCA και από τον τρόπο επιλογής του δείγματος εκπαίδευσης. Εξετάζοντας το ίδιο πρόβλημα από μια άλλη οπτική γωνία, προκειμένου να αυξηθεί η απόδοση των μοντέλων, η διαδικασία εκπαίδευσης των αλγορίθμων μηχανικής μάθησης πρέπει να διεξαχθεί χρησιμοποιώντας ως χαρακτηριστικά (features) τις πιο σημαντικές και ξεχωριστές μπάντες. Επομένως, για το λόγο αυτό αναλύθηκε και συγκρίθηκε ένας μεγάλος αριθμός τεχνικών επιλογής μπαντών, που βασίζονται είτε σε γεωμετρικές προσεγγίσεις, είτε σε φόρμουλες ομοιότητας. Ωστόσο, το κύριο μειονέκτημα είναι ότι δεν υπάρχει μέθοδος εξόρυξης μπαντών ειδικά για προσεγγίσεις φασματικής εκτίμησης. Έτσι για αυτό το λόγο σχεδιάσαμε μια νέα μέθοδο επιλογής μπαντών για εφαρμογές φασματικής επέκτασης διαστάσεων. Ακόμη, αξίζει να υπογραμμιστεί ότι τα πειραματικά αποτελέσματα επιβεβαιώνουν ότι η προτεινόμενη μέθοδος εντοπίζει τις χαρακτηρισμένες ζώνες που μειώνουν δραματικά το μέσο τετραγωνικό σφάλμα, μεταξύ του αναφερόμενου και του εκτιμώμενου φάσματος, σε σύγκριση με την γνωστή μέθοδο OSP. Kαταληκτικά, τα ευρήματα έθεσαν τη βάση για την ανάπτυξη ενός ισχυρού συστήματος στιγμιότυπης φασματικής απεικόνισης.

Διαθέσιμα αρχεία

Υπηρεσίες