(SeaPRwire) – บริษัท WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ให้ข่าวว่า บริษัทได้พัฒนาเทคโนโลยี RandomPatchSpatialSpectrumClassifier (RPSSC) เพื่อใช้ประโยชน์จากความแตกต่างระหว่างข้อมูลทางพื้นที่และข้อมูลทางสเปกตรัมอย่างเต็มที่
การพัฒนา RPSSC ของ WiMi นั้นผสมผสานวิธีการสกัดลักษณะที่ใช้การกรองกาบอร์ 2D และวิธีการการกรองพื้นที่สุ่ม (GRPC) โดยก่อนอื่น RPSSC ใช้เทคนิคการวิเคราะห์องค์ประกอบหลักและ LDA เพื่อลดขนาดภาพสเปกตรัมหลายช่องสี แล้วจึงใช้การกรองกาบอร์ 2D เพื่อสกัดข้อมูลทางโครงสร้างพื้นที่ และใช้เทคนิค GRPC เพื่อสังเคราะห์ข้อมูลทางพื้นที่และสเปกตรัม จากนั้น RPSSC จะรวมข้อมูลทั้งสองประเภทนี้เข้าด้วยกัน เพื่อให้ได้ลักษณะที่สมบูรณ์ขึ้นสําหรับการจัดประเภทภาพ โดยใช้เทคนิค SVM ในการจัดประเภท
วิธีการการกรองพื้นที่สุ่มประกอบด้วยชั้นหลายชั้น แต่ละชั้นจะมีขั้นตอนดังนี้:
PCA: ใช้ PCA กับพื้นที่สุ่มเพื่อสกัดลักษณะทางสเปกตรัม
Whitening: ลดข้อมูลเกินจําเป็นจากลักษณะทางสเปกตรัมที่สกัดได้
การโปรเจกชันสุ่ม: โปรเจกชันลักษณะที่ผ่านการวาวิตเตนไปยังมิติต่ํากว่าโดยใช้การโปรเจกชันสุ่ม
การสกัดลักษณะด้วยการกรอง: ทําการกรองในมิติที่ลดขนาดลงเพื่อสกัดลักษณะทางสเปกตรัมหลายระดับ
เทคโนโลยี RPSSC ของ WiMi มีข้อได้เปรียบหลายประการในการใช้ประโยชน์จากลักษณะทางสเปกตรัมและพื้นที่ของภาพสเปกตรัมหลายช่องสี ซึ่งรวมถึงความแม่นยําในการจัดประเภทสูงขึ้น โครงสร้างของโมเดลที่ซับซ้อนน้อยลง และสามารถใช้ประโยชน์จากข้อมูลในภาพสเปกตรัมได้อย่างเต็มที่
RPSSC มีโครงสร้างที่ง่ายต่อการเข้าใจและปรับปรุง และมีประสิทธิภาพสูงในการทดลอง ซึ่งทําให้ต้นทุนในการนําไปใช้งานจริงต่ําลง RPSSC สามารถใช้ประโยชน์จากลักษณะทางพื้นที่และสเปกตรัมในภาพสเปกตรัมหลายช่องสีได้อย่างเต็มที่ ซึ่งไม่เพียงแต่ส่งผลต่อความแม่นยําในการจัดประเภท แต่ยังเปิดเผยความสําคัญของลักษณะทางโครงสร้างพื้นที่ซึ่งมักถูกละเลยในวิธีการแบบดั้งเดิม
RPSSC สามารถทํางานได้ดีในการแก้ปัญหาภาพที่มีเสียงรบกวนและภาพที่มีการละเอียดเกินไป และยังสามารถทํางานได้ดีในสถานการณ์จริงหลากหลาย แม้จะมีตัวอย่างฝึกน้อยก็ตาม ซึ่งเป็นข้อดีสําคัญสําหรับการจัดการกับสภาพแวดล้อมที่ไม่แน่นอนและข้อมูลที่ไม่ครบถ้วนในการประยุกต์ใช้งานจริง
RPSSC สามารถรวมลักษณะทางพื้นที่และสเปกตรัมได้อย่างมีประสิทธิภาพ ซึ่งทําให้โมเดลสามารถเข้าใจภาพสเปกตรัมได้อย่างกว้างขวางมากขึ้น นอกจากจะส่งผลต่อความแม่นยําในการจัดประเภทแล้ว ยังเพิ่มขีดความสามารถของโมเดลในการจับความสัมพันธ์ภายในโครงสร้างของภาพอีกด้วย
RPSSC สามารถทํางานได้ดีแม้จะมีตัวอย่างฝึกน้อย โดยข้อได้เปรียบนี้มีความสําคัญโดยเฉพาะในการประยุกต์ใช้จริง เนื่องจากในบางสาขาการได้มาซึ่งข้อมูลฝึกจํานวนมากอาจยากลําบาก ดังนั้นประสิทธิภาพสูงของ RPSSC จึงเหมาะสมกับสถานการณ์ที่ท้าทายเหล่านี้
บทความนี้ให้บริการโดยผู้ให้บริการเนื้อหาภายนอก SeaPRwire (https://www.seaprwire.com/) ไม่ได้ให้การรับประกันหรือแถลงการณ์ใดๆ ที่เกี่ยวข้องกับบทความนี้
หมวดหมู่: ข่าวสําคัญ ข่าวประจําวัน
SeaPRwire จัดส่งข่าวประชาสัมพันธ์สดให้กับบริษัทและสถาบัน โดยมียอดการเข้าถึงสื่อกว่า 6,500 แห่ง 86,000 บรรณาธิการและนักข่าว และเดสก์ท็อปอาชีพ 3.5 ล้านเครื่องทั่ว 90 ประเทศ SeaPRwire รองรับการเผยแพร่ข่าวประชาสัมพันธ์เป็นภาษาอังกฤษ เกาหลี ญี่ปุ่น อาหรับ จีนตัวย่อ จีนตัวเต็ม เวียดนาม ไทย อินโดนีเซีย มาเลเซีย เยอรมัน รัสเซีย ฝรั่งเศส สเปน โปรตุเกส และภาษาอื่นๆ
RPSSC สามารถแก้ปัญหาการละเอียดเ