KIT | KIT-Bibliothek | Impressum | Datenschutz

Supervised Laplacian Eigenmaps for Hyperspectral Data

Becker, Florian

Abstract (englisch):

With Laplacian eigenmaps the low-dimensional manifold of high-dimensional data points can be uncovered. This nonlinear dimensionality reduction technique is popular due to its well-understood theoretical foundation. This paper outlines a straightforward way to incorporate class label information into the standard (unsupervised) Laplacian eigenmaps formulation. With the example of hyperspectral
data samples this supervised reformulation is shown to reinforce within-class clustering and increase between-class distances.


Verlagsausgabe §
DOI: 10.5445/IR/1000097097
Veröffentlicht am 02.08.2019
Cover der Publikation
Zugehörige Institution(en) am KIT Fakultät für Informatik – Institut für Anthropomatik (IFA)
Publikationstyp Proceedingsbeitrag
Publikationsjahr 2019
Sprache Englisch
Identifikator ISBN: 978-3-7315-0936-3
ISSN: 1863-6489
KITopen-ID: 1000097097
Erschienen in Proceedings of the 2018 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory. Ed.: J. Beyerer, M. Taphanel
Verlag KIT Scientific Publishing
Seiten 77-88
Serie Karlsruher Schriften zur Anthropomatik / Lehrstuhl für Interaktive Echtzeitsysteme, Karlsruher Institut für Technologie ; Fraunhofer-Inst. für Optronik, Systemtechnik und Bildauswertung IOSB Karlsruhe ; 40
Bemerkung zur Veröffentlichung Technical Report IES-2018-09

Kurztitel lt. Inhaltsverzeichnis: Supervised Laplacian Eigenmaps
Relationen in KITopen
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page