KIT | KIT-Bibliothek | Impressum | Datenschutz

Semi-Supervised Manifold Learning for Hyperspectral Data

Becker, Florian

Abstract (englisch):
There are real world data sets where a linear approximation like the principalcomponents might not capture the intrinsic characteristics of the data. Nonlineardimensionality reduction ormanifoldlearning uses a graph-based approach tomodel the local structure of the data. Manifold learning algorithms assumethat the data resides on a low-dimensional manifold that is embedded in ahigher-dimensional space. For real world data sets this assumption might not beevident. However, using manifold learning for a classification task can reveal abetter performance than using a corresponding procedure that uses the principalcomponents of the data. We show that this is the case for our hyperspectral dataset using the two manifold learning algorithms Laplacian eigenmaps and locallylinear embedding.

Open Access Logo


Verlagsausgabe §
DOI: 10.5445/IR/1000126691
Veröffentlicht am 07.12.2020
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Anthropomatik und Robotik (IAR)
Publikationstyp Proceedingsbeitrag
Publikationsjahr 2019
Sprache Englisch
Identifikator ISBN: 978-3-7315-1028-4
ISSN: 1863-6489
KITopen-ID: 1000126691
Erschienen in Proceedings of the 2019 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory. Ed.: J. Beyerer; T. Zander
Verlag KIT Scientific Publishing
Seiten 15-23
Serie Karlsruher Schriften zur Anthropomatik / Lehrstuhl für Interaktive Echtzeitsysteme, Karlsruher Institut für Technologie ; Fraunhofer-Inst. für Optronik, Systemtechnik und Bildauswertung IOSB Karlsruhe ; 45
Bemerkung zur Veröffentlichung Technical Report IES-2019-11
Relationen in KITopen
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page