Ontwikkelen van ongesuperviseerde leertechnieken om minerale en geologische structuren te detecteren met behulp van hyperspectrale gegevens.

In mineralogische studies helpt het gebruik van hyperspectrale afbeeldingen om verschillende mineralen sneller en nauwkeuriger te detecteren. Het verwerken van dergelijke gegevens kan echter problematisch zijn. Een belangrijke uitdaging is het verwerven van voldoende grondwaarheid. Daarom is het belangrijkste doel van dit onderzoek het ontwikkelen van ongesuperviseerde leertechnieken (sparse subruimte-gebaseerde cluster algoritmen) om verschillende mineralogische kenmerken te onderscheiden met behulp van hyperspectrale afbeeldingen. Als een eerste mijlpaal voor het voorgestelde onderzoek werd een nieuw, sparse, op subruimte gebaseerd cluster algoritme ontwikkeld om de mineralogische kenmerken in zinvolle groepen te clusteren. Het voorgestelde algoritme kan sterk gemengde en complexe gegevens op een robuuste en snelle manier verwerken. Als follow-up werd ruimtelijke informatie geimplementeerd in een nieuw ontwikkeld cluster algoritme. Dergelijke informatie helpt om ruimtelijke structuren van mineralogische monsters in rekening te brengen. Door de ruimtelijke informatie mee te nemen, nam de precisie van het voorgestelde algoritme toe. In de komende periode zullen we het potentieel exploreren van diepe cluster methoden, gebaseerd op state-of-the-art sparse autoencoder-gebaseerde algoritmen of de concepten van diepe beeld priors. Als resultaat van de studie zullen snelle en robuuste, op diep leren gebaseerde cluster algoritmen worden ontwikkeld om complexe hyperspectrale beelden met mineralogische en geologische kenmerken te verwerken.

Trefwoorden:HYPERSPECTRALE DATA-ANALYSE, HYPERSPECTRALE REMOTE SENSING

Disciplines:Remote sensing, Fotogrammetrie en remote sensing