Tensor Based training driven by semi-supervised graph based learning for efficient processing of high dimensional signals

Georgoulas, Ioannis; Γεωργούλας, Ιωάννης

dc.contributor.author	Georgoulas, Ioannis	en
dc.contributor.author	Γεωργούλας, Ιωάννης	el
dc.date.accessioned	2026-07-16T10:57:26Z
dc.date.available	2026-07-16T10:57:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/65524
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.33218
dc.rights	Default License
dc.subject	Hyperspectral Image Classification	en
dc.subject	Υπερφασματική Απεικόνιση	el
dc.subject	Semi-Supervised Learning	en
dc.subject	Ημι-επιβλεπόμενη μάθηση	el
dc.subject	Graph Embeddings	en
dc.subject	Αναπαραστάσεις Γράφων	el
dc.subject	Dimensionality Reduction	en
dc.subject	Μείωση Διαστατικότητας	el
dc.subject	Feature Extraction	en
dc.subject	Εξαγωγή Χαρακτηριστικών	el
dc.title	Tensor Based training driven by semi-supervised graph based learning for efficient processing of high dimensional signals	en
heal.type	doctoralThesis
heal.secondaryTitle	Τανυστικοί μέθοδοι εκπαίδευσης που καθοδηγούνται από γρίφους ημι-επιβλεπόμενης εκμάθησης για την αποτελεσματική ανάλυση πολυδιάστατων σημάτων	el
heal.classification	Remote Sensing	en
heal.classification	Machine Learning	en
heal.classification	Τηλεπισκόπηση	el
heal.classification	Μηχανική Μάθηση	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-05-08
heal.abstract	This dissertation proposes a framework combining tensor-based neural networks (Rank-R FNN via CP decomposition) with graph-based semi-supervised learning for hyperspectral image classification. The Rank-R FNN preserves spatial-spectral structure while reducing trainable parameters, and its embeddings are used to build similarity graphs for label propagation to unlabeled samples. Validated across four benchmark datasets in over 22,000 experimental runs, the framework achieves high classification accuracy even under limited labeled data conditions.	en
heal.abstract	Η παρούσα διατριβή προτείνει ένα πλαίσιο που συνδυάζει τανυστικά νευρωνικά δίκτυα (Rank-R FNN μέσω CP αποσύνθεσης) με ημι-επιβλεπόμενη μάθηση βασισμένη σε γράφους για την ταξινόμηση υπερφασματικών εικόνων. Το Rank-R FNN διατηρεί τη χωρο-φασματική δομή των δεδομένων μειώνοντας παράλληλα τον αριθμό των εκπαιδεύσιμων παραμέτρων, ενώ τα embeddings που παράγει χρησιμοποιούνται για την κατασκευή γράφων ομοιότητας και τη διάδοση ετικετών σε μη επισημειωμένα δείγματα. Αξιολογημένο σε τέσσερα benchmark σύνολα δεδομένων με πάνω από 22.000 πειραματικές εκτελέσεις, το πλαίσιο επιτυγχάνει υψηλή ακρίβεια ταξινόμησης ακόμα και υπό συνθήκες περιορισμένων επισημειωμένων δεδομένων.	el
heal.advisorName	Doulamis, Anastasios	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Ioannidis, Charalampos	en
heal.committeeMemberName	Varvarigos, Emmanouil	en
heal.committeeMemberName	Veskoukis, Vasileios	en
heal.committeeMemberName	Doulamis, Nikolaos	en
heal.committeeMemberName	Voulodimos, Athanasios	en
heal.committeeMemberName	Protopapadakis, Eftychios	en
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Πρωτοπαπαδάκης, Ευτύχιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false
heal.fullTextAvailability	false