Moderne teledetectiesystemen bevatten vaak hyperspectrale beelden (HSIs), die gedetailleerde spectrale informatie verschaffen over de afgebeelde objecten in honderden smalle banden, waardoor onderscheid kan worden gemaakt tussen materialen die vaak visueel niet te onderscheiden zijn. Deze rijke spectrale informatie maakt het mogelijk om effectief te onderscheiden tussen verschillende soorten bodembedekking, wat van belang is op veel gebieden, zoals precisielandbouw, zoetwaterecologie, detectie van militaire doelen en beeldvorming van stedelijke emissies, om er maar een paar te noemen. Dit proefschrift richt zich op de studie van robuuste hyperspectrale beeldclassificatiemodellen, met name op robuustheid met betrekking tot onnauwkeurige labelinformatie. Om het onderzoek naar robuuste hyperspectrale classificatiemodellen aan te pakken, analyseren en evalueren we de robuustheid van representatieve HSI-classificaties om ruis te labelen, en ontwikkelen we nieuwe robuuste classificatiemethoden voor hoogdimensionale en multimodale gegevens. Onze robuuste classificatiebenadering stoelt op principes uit de theorie van imprecieze waarschijnlijkheden.
| |