Evolutionary multi-objective optimization for band selection of hyperspectral imagery using a cluster-based representation
Abstract
Planeten vi lever på er i endring, nå mer enn noensinne. Forsåelse for hvordan disse endringene påvirker miljøet er avgjørende for å bevare jorda for fremtidige genrasjoner. Utviklinger i teknologi for fjernanalyse og innhenting av data lar oss hente inn mer data enn noen gang før. Hyperspektrale sensorer innhenter elektromagnetisk data fra jordas overflate i hele spekteret av sollys. Denne dataen kan la oss klassifisere og monitorere endringer i vegetasjon, jordbruksområder, vann, menneskelig bebyggelse, naturkatastrofer og mye mer. Den høye dimensjonaliteten og overflødigheten som ligger i disse dataene skaper nye utfordringer for gjennkjenningsalgoritmer. Dette arbeidet presenterer en ny teknikk for å gjøre et ikke-veiledet valg av spektrale bånd i hyperspektral data, basert på gruppering av bånd i høyt korrelerte undergrupper og flermåls evolusjonsbasert søk med bruk av NSGA-II. Eksperimenter viser lovende resultater på flere populære datasett sammenliknet med andre liknende metoder, som indikerer at dette er en interessant retning for videre forskning.