Отрывок: Однако архитектура основанных на машинном обучении фреймворков компрессии обычно существенным образом опирается на двумерность исходных данных. Поэтому задача обобщения основанных на машинном обучении фреймворков компрессии на гиперспектральные данные является нетривиальной и актуальной. Большинство компонент в гиперспектральных данных обычно очень похожи друг на друга. Мы используем ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorМаксимов А. И.ru
dc.contributor.authorГашников М. В.ru
dc.coverage.spatialалгоритмы машинного обученияru
dc.coverage.spatialметоды компрессии изображенийru
dc.coverage.spatialгиперспектральные изображенияru
dc.coverage.spatialзадача обобщенияru
dc.coverage.spatialэкспериментальные данныеru
dc.creatorМаксимов А. И., Гашников М. В.ru
dc.date.issued2022ru
dc.identifierRU\НТБ СГАУ\492060ru
dc.identifier.citationМаксимов, А. И. Обобщение основанного на машинном обучении метода компрессии на гиперспектральные изображения / А. И. Максимов, М. В. Гашников // Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. / М-во науки и образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - фил. ФНИЦ "Кристаллография и фотоника" РАН. - Самара : Изд-во Самар. ун-та, 2022Т. 3: Распознавание, обработка и анализ изображений / под ред. В. В. Мясникова. - 2022. - С. 030842.ru
dc.language.isorusru
dc.relation.ispartofИнформационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. -ru
dc.sourceИнформационные технологии и нанотехнологии (ИТНТ-2022). - Т. 3 : Распознавание, обработка и анализ изображенийru
dc.titleОбобщение основанного на машинном обучении метода компрессии на гиперспектральные изображенияru
dc.typeTextru
dc.citation.spage030842ru
dc.citation.volume3ru
dc.textpartОднако архитектура основанных на машинном обучении фреймворков компрессии обычно существенным образом опирается на двумерность исходных данных. Поэтому задача обобщения основанных на машинном обучении фреймворков компрессии на гиперспектральные данные является нетривиальной и актуальной. Большинство компонент в гиперспектральных данных обычно очень похожи друг на друга. Мы используем ...-
Располагается в коллекциях: Информационные технологии и нанотехнологии

Файлы этого ресурса:
Файл Размер Формат  
978-5-7883-1791-5_2022-030842.pdf775.32 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.