Resumen

El hielo marino es una de las catástrofes marinas más críticas, especialmente en las regiones polares y de alta latitud. La imagen hiperespectral es adecuada para vigilar el hielo marino, ya que contiene información de espectro continuo y tiene mayor capacidad de reconocimiento de objetivos. El principal obstáculo para la clasificación de imágenes hiperespectrales es el gran número de muestras de entrenamiento etiquetadas necesarias. Sin embargo, la recogida de muestras etiquetadas requiere mucho tiempo y es costosa. Para resolver este problema, aplicamos el algoritmo de aprendizaje activo (AL) a la detección hiperespectral del hielo marino, que puede seleccionar las muestras más informativas. Además, proponemos un nuevo algoritmo de aprendizaje activo basado en la evaluación de dos criterios: incertidumbre y diversidad. El criterio de incertidumbre se basa en la diferencia entre las probabilidades de las dos clases que tienen las probabilidades estimadas más altas, mientras que el criterio de diversidad se basa en una tecnología de agrupación de kernel k-means. En los experimentos realizados en la bahía de Baffin, en el noroeste de Groenlandia, el 12 de abril de 2014, nuestro algoritmo AL propuesto alcanza la mayor precisión de clasificación del 89,327% en comparación con otros algoritmos AL y el muestreo aleatorio, al tiempo que logra la misma precisión de clasificación, el algoritmo AL propuesto necesita menos coste de etiquetado.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:hielo marino, catástrofes marinas, regiones polares, regiones de alta latitud, imagen hiperespectral, vigilancia, información espectral continua, reconocimiento de objetivos, clasificación, muestras de entrenamiento etiquetadas, requiere tiempo, es costoso, algoritmo de aprendizaje activo, muestras informativas, incertidumbre, diversidad, evaluación, probabilidades, clases, probabilidades estimadas más altas, tecnología de agrupación kernel k-means, bahía de Baffin, noroeste de Groenlandia, 12 de abril de 2014, precisión de la clasificación, coste del etiquetado.
• Keywords:sea ice, marine disasters, polar regions, high latitude regions, hyperspectral image, monitoring, continuous spectrum information, target recognition, classification, labeled training samples, time consuming, costly, active learning algorithm, informative samples, uncertainty, diversity, evaluation, probabilities, classes, highest estimated probabilities, kernel k-means clustering technology, Baffin Bay, northwest Greenland, April 12, 2014, classification accuracy, labeling cost