Hoogdimensionale data worden stelselmatig verzameld door verschillende sensoren. Naast het aanbieden van rijke informatie, brengt grote datadimensies ook extreme uitdagingen met zich mee bij de overdracht, opslag, verwerking en analyse van gegevens. Sparse codering, waarbij elk signaal wordt weergegeven als een lineaire combinatie van enkele elementen uit een gegeven woordenboek, komt naar voren als een effectieve data-analysetechniek. In dit doctoraat ontwikkelen we nieuwe methoden gebaseerd op spaarzame codering om reële problemen in remote sensing en kunstonderzoek te behandelen. Een belangrijke bijdrage van ons werk is de classificatie van hyperspectrale beelden, waarbij we de robuustheid van de classificatie verbeteren ten opzichte van verschillende degradaties die reële data beïnvloeden (zoals impulsruis, dode lijnen en stroken). Daarnaast bevorderen we de bestaande clustermethoden, die essentieel zijn in gevallen waarin de gelabelde gegevens beperkt of niet beschikbaar zijn. We stellen ook innovatieve oplossingen voor om een efficiënte clustering van grootschalige hyperspectrale data mogelijk te maken. Een andere belangrijke bijdrage van ons werk is in kunstonderzoek, waar we een uitdagende taak van verfverliesdetectie uit multimodale data aanpakken. Een uitgebreide casus over het Lam Gods toont het potentieel van de voorgestelde methode om de conservering van schilderijen te ondersteunen. | |