دسته بندی تصاویر ابرطیفی سنجش از دور با استفاده از یادگیری متریک نیمه نظارتی

با توجه به پیشرفت تکنولوژی حسگرهای ابرطیفی، تصاویر ابرطیفی به وفور در دسترس بوده و پردازش آن ها بسیار بااهمیت است. هر چند، برای تحلیل باناظر این داده ها نیاز به برچسب گذاری تعداد زیادی داده ی آموزشی است که بسیار وقت گیر و پرهزینه است. در این مقاله، یک روش یادگیری متریک نیمه نظارتی که از تعداد اندکی داده ی برچسب دار و تعداد زیادی داده ی بدون برچسب استفاده می کند به داده های مرکز فضایی کندی اعمال می شود. این روش، مبتنی بر هر دو فرض هموار بودن برچسب داده ها روی منیفلد و فرض تفکیک در چگالی کم است. فرض اول، برگرفته از پژوهش های زیادی است که موید این فرض هستند که داده های با ابعاد بالا روی منیفلد(ها)ی با ابعاد پایین قرار دارند. فرض جداسازی در چگالی پایین، نشان دهنده ی این است که مرز تصمیم در نواحی با چگالی پایین قرار دارد. دسته بند k-نزدیک ترین همسایه با بهره گیری از متریک یادگرفته شده در آزمایش ها اعمال شده و نتایج آن در مقایسه با استفاده از فاصله ی اقلیدسی که متریک رایج بکاررفته در پژوهش ها است، بهبود دقت را نشان می دهد.