Logo: to the web site of Uppsala University

uu.sePublikasjoner fra Uppsala universitet
Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A fast instance selection method for support vector machines in building extraction
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Bildanalys och människa-datorinteraktion. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Reglerteknik. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för visuell information och interaktion. University of Gävle.ORCID-id: 0000-0003-0085-5829
2020 (engelsk)Inngår i: Applied Soft Computing, ISSN 1568-4946, E-ISSN 1872-9681, Vol. 97, artikkel-id 106716Artikkel i tidsskrift (Fagfellevurdert) Published
Abstract [en]

Training support vector machines (SVMs) for pixel-based feature extraction purposes from aerial images requires selecting representative pixels (instances) as a training dataset. In this research, locality-sensitive hashing (LSH) is adopted for developing a new instance selection method which is referred to as DR.LSH. The intuition of DR.LSH rests on rapidly finding similar and redundant training samples and excluding them from the original dataset. The simple idea of this method alongside its linear computational complexity make it expeditious in coping with massive training data (millions of pixels). DR.LSH is benchmarked against two recently proposed methods on a dataset for building extraction with 23,750,000 samples obtained from the fusion of aerial images and point clouds. The results reveal that DR.LSH outperforms them in terms of both preservation rate and maintaining the generalization ability (classification loss). The source code of DR.LSH can be found in https://github.com/mohaslani/DR.LSH.

sted, utgiver, år, opplag, sider
2020. Vol. 97, artikkel-id 106716
Emneord [en]
Support vector machines, Data reduction, Instance selection, Big data, Building extraction
HSV kategori
Forskningsprogram
Datoriserad bildbehandling
Identifikatorer
URN: urn:nbn:se:uu:diva-425980DOI: 10.1016/j.asoc.2020.106716ISI: 000603366700004OAI: oai:DiVA.org:uu-425980DiVA, id: diva2:1502940
Forskningsfinansiär
European Regional Development Fund (ERDF), 20201871Tilgjengelig fra: 2020-11-23 Laget: 2020-11-23 Sist oppdatert: 2021-02-23bibliografisk kontrollert

Open Access i DiVA

fulltext(2836 kB)279 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 2836 kBChecksum SHA-512
eeeed8d281ee4d461c4abda9426f2207d7938d69c98613afd536442bef57fbe014f9ffefd2e6e04ddc702ad49c12c49b34799d9025a980a099d56b8e731d3595
Type fulltextMimetype application/pdf

Andre lenker

Forlagets fulltekst

Person

Seipel, Stefan

Søk i DiVA

Av forfatter/redaktør
Seipel, Stefan
Av organisasjonen
I samme tidsskrift
Applied Soft Computing

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 279 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

doi
urn-nbn

Altmetric

doi
urn-nbn
Totalt: 138 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf