Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Competitive Combat Strategy and Tactics in RTS Games AI and StarCraft Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Object Classification of Remote Sensing Images Based on Rotation-Invariant Discrete Hashing

verfasst von : Hui Xu, Yazhou Liu, Quansen Sun

Erschienen in: Advances in Multimedia Information Processing – PCM 2017

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Object classification is one of the most fundamental but challenging problems faced for large-scale remote sensing image analysis. Recently, learning based hashing techniques have attracted broad research interests because of their significant efficiency for high-dimensional data in both storage and speed. Despite the progress made in nature scene images, it is problematic to directly apply existing hashing methods to object classification in very high resolution (VHR) remote sensing images because they didn’t consider the problem of object rotation variations. To address this problem, this paper proposes a novel method called Rotation-invariant Discrete Hashing (RIDISH), which jointly learns a discrete binary generation and rotation-invariant optimization model in the hashing learning framework. Experimental evaluations on a publicly available VHR remote sensing dataset demonstrate the effectiveness of proposed method.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Stereo Saliency Analysis Based on Disparity Influence and Spatial Dissimilarity
Nächstes Kapitel Robust Principal Component Analysis via Symmetric Alternating Direction for Moving Object Detection
Literatur
1.
Boya, Z., Hao, S., Liang, C., He, C., Fukun, B.: Object classification of remote sensing images based on BOV. In: IET International Radar Conference 2015, pp. 1–5 (2015)
2.
Han, J., Zhang, D., Cheng, G., Guo, L., Ren, J.: Object detection in optical remote sensing images based on weakly supervised learning and high-level feature learning. IEEE Trans. Geosci. Remote Sens. 53(6), 3325–3337 (2015)CrossRef
3.
Zhang, Y., Zhang, L., Du, B., Wang, S.: A nonlinear sparse representation-based binary hypothesis model for hyperspectral target detection. IEEE J. Sel. Topics Appl. Earth Obs. Remote Sens. 8(6), 2513–2522 (2015)CrossRef
4.
Demir, B., Bruzzone, L.: Hashing-based scalable remote sensing image search and retrieval in large archives. IEEE Trans. Geosci. Remote Sens. 54(2), 1–13 (2015)
5.
Zhu, X., Zhang, L., Huang, Z.: A sparse embedding and least variance encoding approach to hashing. IEEE Trans. Image Process. 23(9), 3737–3750 (2014)MathSciNetCrossRef
6.
Weiss, Y., Torralba, A., Fergus, R.: Spectral hashing. In: Advances in Neural Information Processing Systems, pp. 1753–1760 (2009)
7.
Kong, W., Li, W.-J.: Isotropic hashing. In: Advances in Neural Information Processing Systems, pp. 1646–1654 (2012)
8.
Jiang, Q.-Y., Li, W.-J.: Scalable graph hashing with feature transformation. In: Proceedings of IJCAI (2015)
9.
Liu, L., Yu, M., Shao, L.: Unsupervised local feature hashing for image similarity search. IEEE Trans. Cybern. (2015)
10.
Liu, W., Wang, J., Ji, R., Jiang, Y.-G., Chang, S.-F.: Supervised hashing with kernels. In: Computer Vision and Pattern Recognition, pp. 2074–2081 (2012)
11.
Zhang, P., Zhang, W., Li, W.-J., Guo, M.: Supervised hashing with latent factor models. In: Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 173–182 (2014)
12.
Lin, G., Shen, C., Shi, Q., van den Hengel, A., Suter, D.: Fast supervised hashing with decision trees for high-dimensional data. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1963–1970 (2014)
13.
Shen, F., Shen, C., Liu, W., Shen, H.T.: Supervised discrete hashing. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 37–45 (2015)
14.
Kang, W.-C., Li, W.-J., Zhou, Z.-H.: Column sampling based discrete supervised hashing. In: Thirtieth AAAI Conference on Artificial Intelligence (2016)
15.
Cheng, G., Zhou, P., Yao, X., Yao, C., Zhang, Y., Han, J.: Object detection in VHR optical remote sensing images via learning rotation-invariant hog feature. In: International Workshop on Earth Observation and Remote Sensing Applications, pp. 433–436 (2016)
16.
Kulis, B., Darrell, T.: Learning to hash with binary reconstructive embeddings. In: Advances in Neural Information Processing Systems, pp. 1042–1050 (2009)
17.
Lin, K., Lu, J., Chen, C.-S., Zhou, J.: Learning compact binary descriptors with unsupervised deep neural networks. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1183–1192 (2016)
18.
Neyshabur, B., Srebro, N., Salakhutdinov, R., Makarychev, Y., Yadollahpour, P.: The power of asymmetry in binary hashing. In: Advances in Neural Information Processing Systems, pp. 2823–2831 (2013)
19.
Cheng, G., Han, J.: A survey on object detection in optical remote sensing images. ISPRS J. Photogramm. Remote Sens. 117, 11–28 (2016)CrossRef
Metadaten
Titel
Object Classification of Remote Sensing Images Based on Rotation-Invariant Discrete Hashing
verfasst von
Hui Xu
Yazhou Liu
Quansen Sun
Copyright-Jahr
2018
Buch
Advances in Multimedia Information Processing – PCM 2017

Print ISBN: 978-3-319-77382-7

Electronic ISBN: 978-3-319-77383-4

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-77383-4_26

Neuer Inhalt

    Bildnachweise