論文の概要: ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising
- arxiv url: http://arxiv.org/abs/2003.01947v1
- Date: Wed, 4 Mar 2020 08:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 13:35:51.752015
- Title: ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising
- Title(参考訳): ADRN:ハイパースペクトル画像復調のための注意型ディープ残像ネットワーク
- Authors: Yongsen Zhao, Deming Zhai, Junjun Jiang, Xianming Liu
- Abstract要約: ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
- 参考スコア(独自算出の注目度): 52.01041506447195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral image (HSI) denoising is of crucial importance for many
subsequent applications, such as HSI classification and interpretation. In this
paper, we propose an attention-based deep residual network to directly learn a
mapping from noisy HSI to the clean one. To jointly utilize the
spatial-spectral information, the current band and its $K$ adjacent bands are
simultaneously exploited as the input. Then, we adopt convolution layer with
different filter sizes to fuse the multi-scale feature, and use shortcut
connection to incorporate the multi-level information for better noise removal.
In addition, the channel attention mechanism is employed to make the network
concentrate on the most relevant auxiliary information and features that are
beneficial to the denoising process best. To ease the training procedure, we
reconstruct the output through a residual mode rather than a straightforward
prediction. Experimental results demonstrate that our proposed ADRN scheme
outperforms the state-of-the-art methods both in quantitative and visual
evaluations.
- Abstract(参考訳): ハイパースペクトル画像(HSI)は、HSI分類や解釈など、その後の多くの応用において重要である。
本稿では,ノイズの多いhsiからクリーンなhsiへのマッピングを直接学習するための注意に基づく深層残留ネットワークを提案する。
空間スペクトル情報を共同利用するために、入力として現在のバンドとその隣接するバンド$k$を同時に利用する。
次に,フィルタサイズが異なる畳み込み層を採用し,マルチスケール機能を融合し,多レベル情報を取り込んだショートカット接続によりノイズ除去を行う。
また、チャネルアテンション機構を用いて、ネットワークを最も関連性の高い補助情報や特徴に集中させる。
トレーニング手順の容易化のために,簡単な予測ではなく,残差モードで出力を再構築する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
関連論文リスト
- WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。
本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
論文 参考訳(メタデータ) (2024-11-25T12:31:03Z) - TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。
本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。
空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。
チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文 参考訳(メタデータ) (2024-04-11T15:39:10Z) - Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。
ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。
主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文 参考訳(メタデータ) (2024-03-15T07:18:43Z) - Hyperspectral Image Denoising via Self-Modulating Convolutional Neural
Networks [15.700048595212051]
相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。
モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。
合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-09-15T06:57:43Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳(メタデータ) (2023-06-08T06:15:17Z) - Multi-scale Adaptive Fusion Network for Hyperspectral Image Denoising [35.491878332394265]
マルチスケール・アダプティブ・フュージョン・ネットワーク(MAFNet)を用いたHSI復調手法を提案する。
提案したMAFNetは、他の最先端技術よりも性能が向上している。
論文 参考訳(メタデータ) (2023-04-19T02:00:21Z) - Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。
盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。
提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-29T15:19:01Z) - SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral
Image Denoising [12.873607414761093]
本稿では,グループ畳み込みとアテンションモジュールを組み合わせた新しいHSIデノベーションネットワークSSCANを提案する。
ハイパースペクトル画像における空間情報とスペクトル情報を有効利用するためのスペクトル空間アテンションブロック(SSAB)を提案する。
実験結果から,提案したSSCANは,最先端のHSI復調アルゴリズムよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-05-23T14:36:17Z) - Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。
ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。
残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文 参考訳(メタデータ) (2020-04-06T06:34:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。