Fechar

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemarte.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador3ERPFQRTBW/3484SFL
Repositóriodpi.inpe.br/sbsr@80/2008/11.13.18.03
Última Atualização2009:04.17.19.12.33 (UTC) administrator
Repositório de Metadadosdpi.inpe.br/sbsr@80/2008/11.13.18.03.17
Última Atualização dos Metadados2022:07.07.03.46.32 (UTC) administrator
ISBN978-85-17-00044-7
Chave de CitaçãoAndreolaHaer:2009:SuVeMa
TítuloSupport Vector Machines na classificação de imagens hiperespectrais
FormatoDVD, On-line.
Ano2009
Data de Acesso09 maio 2025
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho199 KiB
2. Contextualização
Autor1 Andreola, Rafaela
2 Haertel, Vitor
Afiliação1 Universidade Federal do Rio Grande do Sul - UFGRS
2 Universidade Federal do Rio Grande do Sul - UFGRS
Endereço de e-Mail do Autor1 rafaela.andreola@gmail.com
2 victor.haertel@ufrgs.br
EditorEpiphanio, José Carlos Neves
Galvão, Lênio Soares
Endereço de e-Maillise@dpi.inpe.br
Nome do EventoSimpósio Brasileiro de Sensoriamento Remoto, 14 (SBSR)
Localização do EventoNatal
Data25-30 abr. 2009
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginas6757-6764
Título do LivroAnais
Tipo TerciárioArtigo
Organização{Instituto Nacional de Pesquisas Espaciais (INPE)}
Histórico (UTC)2008-11-13 18:03:17 :: rafaela.andreola@gmail.com -> lise@dpi.inpe.br ::
2008-12-02 19:05:41 :: lise@dpi.inpe.br -> sbsr ::
2008-12-15 19:53:50 :: sbsr -> administrator ::
2009-04-06 15:29:52 :: administrator -> lise@dpi.inpe.br ::
2009-04-17 19:12:33 :: lise@dpi.inpe.br -> administrator ::
2009-08-05 01:51:34 :: administrator -> lise@dpi.inpe.br ::
2011-02-16 14:28:42 :: lise@dpi.inpe.br -> administrator ::
2022-07-07 03:46:32 :: administrator -> :: 2009
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavesupport vector machines
binary tree classifier
high-dimensional image data
ResumoIn this paper we investigate the performance of the Support Vector Machine (SVM) classifier when applied to high dimensional image data, depicting natural scenes. As the SVM classifier deals with a pair of classes at a time, a multi-stage classifier, structured as a binary tree is proposed in this study. At each node in the tree we search for the pair of classes showing the largest separability. Samples of these two classes are then used to train the SVM classifier at this node and the remaining classes are allocated to one of the two descending nodes, or replicated in both. This procedure is repeated at every node in the tree, until the terminal nodes are reached. The RBF kernel is used in this study. Tests are performed using AVIRIS hyperspectral image data covering a test area which includes classes spectrally very similar, separable in high-dimensional spaces only.
ÁreaSRE
TipoProcessamento de Imagens
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
paper_SBSR_SVM_final.pdf 13/11/2008 16:03 112.9 KiB 
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/3ERPFQRTBW/3484SFL
URL dos dados zipadoshttp://urlib.net/zip/3ERPFQRTBW/3484SFL
Idiomapt
Arquivo Alvo6757-6764.pdf
Grupo de Usuáriosrafaela.andreola@gmail.com
lise@dpi.inpe.br
administrator
Grupo de Leitoresadministrator
rafaela.andreola@gmail.com
Visibilidadeshown
5. Fontes relacionadas
Repositório Espelhodpi.inpe.br/marte1@80/2009/05.26.17.02
Acervo Hospedeirodpi.inpe.br/netuno@1905/2006/07.17.20.18
dpi.inpe.br/banon/2003/12.10.19.30
6. Notas
Agência FinanciadoraCAPES
Nota1
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination documentstage doi edition group issn label lineage nextedition nexthigherunit notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor shorttitle tertiarymark url versiontype volume


Fechar