최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한원격탐사학회지 = Korean journal of remote sensing, v.33 no.5 pt.1, 2017년, pp.455 - 467
김주창 (한국과학기술원 전기 및 전자공학부) , 양유경 (국방과학연구소) , 김준형 (국방과학연구소) , 김준모 (한국과학기술원 전기 및 전자공학부)
When performing target detection using hyperspectral imagery, a feature extraction process is necessary to solve the problem of redundancy of adjacent spectral bands and the problem of a large amount of calculation due to high dimensional data. This study proposes a new band selection method using t...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
표적 탐지를 위한 초분광 밴드 선택 기법에는 무엇이 있는가? | 표적 탐지를 위한 초분광 밴드 선택 기법은 크게 표적의 분광 정보를 이용하는 supervised 밴드 선택 기법과, 표적의 분광 정보 없이 데이터의 분포 분석을 이용한 unsupervised 밴드 선택 기법이 있다. Keshava(2004)는 밴드 간의 유사성을 비교하여 Spectral Angle Mapper(SAM), Euclidean Distance(ED) 등의 유사도를 최대로 하는 밴드를 순차적으로 선택하는 과정을 통해 최적의 밴드 집합을 도출하는 Band Add ON(BAO) 기법을 제안하였으며, Du and Yang(2008)과 Zhang et al. | |
계측된 초분광 영상 내 모든 분광 정보를 이용하는 표적 탐지 과정에는 어떤 문제점이 있는가? | 계측된 초분광 영상 내 모든 분광 정보를 이용하는 표적 탐지 과정은 몇 가지 문제점을 가진다. 우선 초분광 영상의 인접한 분광 밴드간의 정보 중복이 존재할 수 있고, 일부 파장 대역 내 잡음으로 인한 표적 탐지율 감소의 가능성이 있으며, 수 많은 분광 정보 처리를 위한 방대한 계산량으로 인한 탐지 속도 저하가 발생할 수 있다. 이러한 문제점들을 해결하기 위해 초분광 정보의 차원을 효과적으로 줄이면서 유용한 정보를 추출해 내는 기법을 초분광 특징 추출 기법이라고 하며, 여기에는 크게 초분광 데이터 내 일부 분광 밴드를 선택하는 밴드 선택 기법과, 초분광 데이터를 변환하는 함수를 이용한 특징 변환 기법이 있다. | |
초분광 영상을 이용한 군사 표적 탐지 연구에서 표적 탐지에 사용할 수 없는 파장 대역이 존재하게 되는 이유는? | 일반적으로 초분광 영상을 이용한 군사 표적 탐지 연구에서는 가시광선/근적외선/중간파장 적외선 대역(360 nm~3 um)을 주로 사용한다(Keshava, 2004; Sun et al., 2015; Yang et al., 2010; Zhang et al., 2015). 이 파장 대역 내에는 대기 내 성분들에 의해 전자기파의 특정 파장대역의 에너지가 흡수되는 구간이 존재하기 때문에 초분광 데이터를 이용한 표적 탐지에 사용할 수 없는 파장 대역이 존재한다. 360 nm~3 um 대역의 초분광 영상을 이용한 표적 탐지를 위해서는 표적 탐지 상황에서 배경 성분이 되는 수풀, 도로, 강, 건물 등이 가지는 초분광 반사 특성 분석이 필요하다. |
Du, Q. and H. Yang, 2008. Similarity-based unsupervised band selection for hyperspectral image analysis, IEEE Geoscience and Remote Sensing Letters, 5(4): 564-568.
Gerg, I., 2010. An evaluation of three endmember extraction algorithms: ATGP, ICA-EEA & VCA, Proc. of 2010 2nd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, Reykjavik, Iceland, Jun.14-16, pp. 1-4.
Harsanyi, J. C., 1993. Detection and classification of subpixel spectral signatures in hyperspectral image sequences, Diss. University of Maryland Baltimore County, 6372
Kraut, S., L. L. Scharf, and R. W. Butler, 2005. The adaptive coherence estimator: A uniformly most-powerful-invariant adaptive detection statistic, IEEE Transactions on Signal Processing, 53(2): 427-438.
Manolakis, D., D. Marden, and G. A. Shaw, 2003. Hyperspectral image processing for automatic target detection applications, Lincoln Laboratory Journal, 14(1): 79-116.
Nie, F., H. Huang, X. Cai, and C. H. Ding, 2010. Efficient and robust feature selection via joint $L_{2,1}$ -norms minimization, In Advances in neural information processing systems, 1813-1821.
Ren, H. and C. Chang, 2003. Automatic spectral target recognition in hyperspectral imagery, IEEE Transactions on Aerospace and Electronic Systems, 39(4): 1232-1249.
Shaw, G. A. and H. K. Burke, 2003. Spectral imaging for remote sensing, Lincoln Laboratory Journal, 14(1): 3-28.
Sun, K., X. Geng, and L. Ji, 2015. A new sparsitybased band selection method for target detection of hyperspectral image, IEEE Geoscience and Remote Sensing Letters, 12(2): 329-333.
Tibshirani, R., 1996. Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society. Series B (Methodological), 267-288.
Keshava, N., 2004. Distance metrics and band selection in hyperspectral processing with applications to material identification and spectral libraries, IEEE Transactions on Geoscience and Remote Sensing, 42(7): 1552-1565.
Winkelmann, M., 2015. Spectral analysis of the vegetative background in the NIR and SWIR spectral range, Proc. of SPIE Security+ Defence. International Society for Optics and Photonics, Toulouse, France, Sep. 11-14, vol. 9653, pp. 96530D-96530D.
Yang, H., Q. Du, H. Su, and Y. Sheng, 2011. An efficient method for supervised hyperspectral band selection, IEEE Geoscience and Remote Sensing Letters, 8(1): 138-142.
Zhang, J., Y. Cao, L. Zhuo, C. Wang, and Q. Zhou, 2015. Improved band similarity-based hyperspectral imagery band selection for target detection, Journal of Applied Remote Sensing, 9(1): 095091-095091.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.