检索结果-南通市图书馆

Improving Generalization for Hyperspectral Image Classification: The Impact of Disjoint Sampling on Deep Models

Computers, Materials and Continua 2024年第1期81卷 503-532页

作者： Ahmad M. Mazzara M. Distefano S. Khan A.M. Altuwaijri H.A. Department of Computer Science National University of Computer and Emerging Sciences Chiniot 35400 Pakistan Institute of Software Development and Engineering Innopolis University Innopolis 420500 Russian Federation Dipartimento di Matematica e Informatica—MIFT University of Messina Messina 98121 Italy School of Computer Science University of Hull Hull HU6 7RX United Kingdom Department of Geography College of Humanities and Social Sciences King Saud University Riyadh 11451 Saudi Arabia

Disjoint sampling is critical for rigorous and unbiased evaluation of state-of-the-art (SOTA) models e.g., Attention graph and Vision Transformer. When training, validation, and test sets overlap or share data, it introduces a bias that inflates performance metrics and prevents accurate assessment of a model’s true ability to generalize to new examples. This paper presents an innovative disjoint sampling approach for training SOTA models for the Hyperspectral Image Classification (HSIC). By separating training, validation, and test data without overlap, the proposed method facilitates a fairer evaluation of how well a model can classify pixels it was not exposed to during training or validation. Experiments demonstrate the approach significantly improves a model’s generalization compared to alternatives that include training and validation data in test data (A trivial approach involves testing the model on the entire Hyperspectral dataset to generate the ground truth maps. This approach produces higher accuracy but ultimately results in low generalization performance). Disjoint sampling eliminates data leakage between sets and provides reliable metrics for benchmarking progress in HSIC. Disjoint sampling is critical for advancing SOTA models and their real-world application to large-scale land mapping with Hyperspectral sensors. Overall, with the disjoint test set, the performance of the deep models achieves 96.36% accuracy on Indian Pines data, 99.73% on Pavia University data, 98.29% on University of Houston data, 99.43% on Botswana data, and 99.88% on Salinas data. © 2024 The Authors.

关键词： disjoint sampling graph cnn Hyperspectral image classification spatial-spectral transformer

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的道路短时交通流量预测研究

基于深度学习的道路短时交通流量预测研究

引用

作者：刘道广西南科技大学

学位级别：硕士

随着社会的不断发展与时代的进步,人民生活水平的大幅提升,我国私有车辆保有量日益增加,城市交通车流量迅速增长,交通负荷日渐加重,交通拥堵问题成为了车辆出行的一大难题。智能交通系统通过对交通调度控制环节的流程优化,能在原有交通... 详细信息

随着社会的不断发展与时代的进步,人民生活水平的大幅提升,我国私有车辆保有量日益增加,城市交通车流量迅速增长,交通负荷日渐加重,交通拥堵问题成为了车辆出行的一大难题。智能交通系统通过对交通调度控制环节的流程优化,能在原有交通硬件条件下使道路通行效率最优,实现“缓堵保畅”的效果。但是对于智能交通系统来说,无论信号灯配时优化,还是出行路径诱导规划,都依赖于进行优化操作时的交通流量数据。使用实时测量得到的流量数据去对下一时段的交通进行控制往往不能得到良好的效果,因此对交通流量的短时预测则成为了交通领域的一个研究热点。交通流量数据在表现出高度随机性和非线性的同时,还伴随有明显的时空相似性与周期性。深度学习是将深层神经网络的多个隐含层叠加起来,结合底层特征来表示高层抽象属性或特征的一种方法,它能够很好地刻画数据中的隐含规律。因此,深度学习方法和模型能够很好地挖掘交通流数据中的各种底层特征,并使用这些特征来对未来的交通态势进行预测,利用深度学习来进行短时交通流预测具有极大的优势。本文的主要研究工作如下:（1）说明了研究课题的背景来源与研究意义,并对目前较为常见的短时交通流量预测模型进行了归纳总结,同时详细阐述了深度学习技术的工作原理及发展历程,分析和总结了当前流行的深度学习模型及各类模型在短时交通流量预测中的应用;（2）介绍了短时交通流预测的概念以及交通预测问题的数学描述,并且介绍了交通流数据采集、处理,一般预测模型构建、训练与评价的主要流程;（3）针对实际预测问题,分析了绵阳市数据类型,介绍了数据在进行模型训练前的预处理工作,包括地图匹配,路径连接,数据整合,图结构创建以及邻接矩阵构建等,并提出了一种路径连接时缺失路径的插补方法和一种用于短时交通流量预测的图数据精简方法。（4）针对短时交通流量预测问题,介绍了构成本文中所使用的时间图卷积网络模型的子结构,包括graph cnn,LSTM,FFNN。其中主要介绍了graph cnn的两种不同变形,以及变形对整个模型带来的影响。最后针对上述内容进行了实验设置并进行了具体实验,然后对实验结果进行了分析,分析了不同的模型设置对短时交通流量预测带来的影响。得出了研究中所用的各种方式方法在短时交通流预测中的不同作用及优劣程度。

关键词：短时交通流量预测深度学习 graph cnn LSTM

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：