Отрывок: Затем старый центр кластера смещается в его центроид. Таким образом, центроиды становятся новыми центрами кластеров для следующей итерации алгоритма. Шаги 3 и 4 повторяются до тех пор, пока выполнение алгоритма не будет прервано либо пока не будет выполнено условие в соответствии с некоторым критерием сходимости[3]. Однако в процессе реализации столкнулись со следующими проблемами: Метод не справляется с задачами, называемыми «проблемами пончика» - когда один ...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Хотилин, М.И. | - |
dc.contributor.author | Кравцова, Н.С. | - |
dc.contributor.author | Рыцарев, И.А. | - |
dc.contributor.author | Куприянов, А.В. | - |
dc.date.accessioned | 2020-07-30 10:42:11 | - |
dc.date.available | 2020-07-30 10:42:11 | - |
dc.date.issued | 2020 | - |
dc.identifier | Dspace\SGAU\20200729\84807 | ru |
dc.identifier.citation | Хотилин М.И. Классификация объектов натурных гиперспектральных изображений/ М.И. Хотилин, Н.С. Кравцова, И.А. Рыцарев, А.В. Куприянов// Информационные технологии и нанотехнологии (ИТНТ-2020). Сборник трудов по материалам VI Международной конференции и молодежной школы (г. Самара, 26-29 мая): в 4 т. / Самар. нац.-исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем. обраб. изобр. РАН-фил. ФНИЦ "Кристаллография и фотоника" РАН; [под ред. В. А. Фурсова]. – Самара: Изд-во Самар. ун-та, 2020. – Том 4. Науки о данных. – 2020. – С. 86-90. | ru |
dc.identifier.uri | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Klassifikaciya-obektov-naturnyh-giperspektralnyh-izobrazhenii-84807 | - |
dc.description.abstract | Эта статья описывает процесс определения классификации объектов или зон на гиперспектральном изображении по классу: лес, вода, земля. Описаны методы и алгоритмы поиска принадлежности к определенному классу. Описаны дальнейшие перспективы развития алгоритма на больших данных и возможности улучшения алгоритма. This paper describes the process of determining the classification of an object / zone in a hyperspectral image by class: forest, water, earth. Methods and algorithms for finding membership in a particular class are described. Further prospects for the development of the algorithm on big data are described. | ru |
dc.language.iso | rus | ru |
dc.title | Классификация объектов натурных гиперспектральных изображений | ru |
dc.title.alternative | Сlassification of objects of natural hyperspectral images | ru |
dc.type | Article | ru |
dc.textpart | Затем старый центр кластера смещается в его центроид. Таким образом, центроиды становятся новыми центрами кластеров для следующей итерации алгоритма. Шаги 3 и 4 повторяются до тех пор, пока выполнение алгоритма не будет прервано либо пока не будет выполнено условие в соответствии с некоторым критерием сходимости[3]. Однако в процессе реализации столкнулись со следующими проблемами: Метод не справляется с задачами, называемыми «проблемами пончика» - когда один ... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
ИТНТ-2020_том 4-86-90.pdf | 333.47 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.