Robust Classification Models for Hyperspectral Images
- Promovendus/a
- Li, Meizhu
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Telecommunicatie en Informatieverwerking
- Curriculum
- Master Degree of Engineering, Southwest University, China, 2016
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Robuuste classificatiemodellen voor hyperspectrale beelden
- Promotor(en)
- prof. Aleksandra Pizurica, vakgroep Telecommunicatie en Informatieverwerking - prof. Gert De Cooman, vakgroep Elektronica en Informatiesystemen
- Examencommissie
- voorzitter prof. Filip De Turck (academisch secretaris) - prof. Gert De Cooman (vakgroep Elektronica en Informatiesystemen) - prof. Yong Deng (University of Electronic Science and Technology of China, China) - prof. Bart Goossens (vakgroep Telecommunicatie en Informatieverwerking) - prof. Irena Orovic (University of Montenegro, Montenegro) - prof. Aleksandra Pizurica (vakgroep Telecommunicatie en Informatieverwerking) - dr. Ljiljana Platisa (vakgroep Telecommunicatie en Informatieverwerking)
Korte beschrijving
Moderne teledetectiesystemen bevatten vaak hyperspectrale beelden (HSIs), die gedetailleerde spectrale informatie verschaffen over de afgebeelde objecten in honderden smalle banden, waardoor onderscheid kan worden gemaakt tussen materialen die vaak visueel niet te onderscheiden zijn. Deze rijke spectrale informatie maakt het mogelijk om effectief te onderscheiden tussen verschillende soorten bodembedekking, wat van belang is op veel gebieden, zoals precisielandbouw, zoetwaterecologie, detectie van militaire doelen en beeldvorming van stedelijke emissies, om er maar een paar te noemen. Dit proefschrift richt zich op de studie van robuuste hyperspectrale beeldclassificatiemodellen, met name op robuustheid met betrekking tot onnauwkeurige labelinformatie. Om het onderzoek naar robuuste hyperspectrale classificatiemodellen aan te pakken, analyseren en evalueren we de robuustheid van representatieve HSI-classificaties om ruis te labelen, en ontwikkelen we nieuwe robuuste classificatiemethoden voor hoogdimensionale en multimodale gegevens. Onze robuuste classificatiebenadering stoelt op principes uit de theorie van imprecieze waarschijnlijkheden.
Praktisch
- Datum
- Vrijdag 24 juni 2022, 09:30
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@ugent.be