論文の概要: Feature Extraction for Hyperspectral Imagery: The Evolution from Shallow
to Deep (Overview and Toolbox)
- arxiv url: http://arxiv.org/abs/2003.02822v4
- Date: Wed, 29 Jul 2020 20:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 06:59:59.584616
- Title: Feature Extraction for Hyperspectral Imagery: The Evolution from Shallow
to Deep (Overview and Toolbox)
- Title（参考訳）: ハイパースペクトル画像の特徴抽出:浅部から深部への進化(概観とツールボックス)
- Authors: Behnood Rasti, Danfeng Hong, Renlong Hang, Pedram Ghamisi, Xudong
Kang, Jocelyn Chanussot, Jon Atli Benediktsson
- Abstract要約: ハイパースペクトル画像は、数百の(狭い)スペクトルチャネルを通して詳細なスペクトル情報を提供する。
このようなデータの次元性の向上により、データ情報の内容を大幅に改善することが可能となる。
本稿では,ハイパースペクトル画像の特徴抽出手法の進歩について概説する。
- 参考スコア（独自算出の注目度）: 35.348655146589834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral images provide detailed spectral information through hundreds
of (narrow) spectral channels (also known as dimensionality or bands) with
continuous spectral information that can accurately classify diverse materials
of interest. The increased dimensionality of such data makes it possible to
significantly improve data information content but provides a challenge to the
conventional techniques (the so-called curse of dimensionality) for accurate
analysis of hyperspectral images. Feature extraction, as a vibrant field of
research in the hyperspectral community, evolved through decades of research to
address this issue and extract informative features suitable for data
representation and classification. The advances in feature extraction have been
inspired by two fields of research, including the popularization of image and
signal processing as well as machine (deep) learning, leading to two types of
feature extraction approaches named shallow and deep techniques. This article
outlines the advances in feature extraction approaches for hyperspectral
imagery by providing a technical overview of the state-of-the-art techniques,
providing useful entry points for researchers at different levels, including
students, researchers, and senior researchers, willing to explore novel
investigations on this challenging topic. In more detail, this paper provides a
bird's eye view over shallow (both supervised and unsupervised) and deep
feature extraction approaches specifically dedicated to the topic of
hyperspectral feature extraction and its application on hyperspectral image
classification. Additionally, this paper compares 15 advanced techniques with
an emphasis on their methodological foundations in terms of classification
accuracies. Furthermore, the codes and libraries are shared at
https://github.com/BehnoodRasti/HyFTech-Hyperspectral-Shallow-Deep-Feature-Extraction-Toolbox.
- Abstract（参考訳）: ハイパースペクトル画像は、何百もの(狭い)スペクトルチャネル(次元またはバンドとも呼ばれる)を通して詳細なスペクトル情報を提供し、様々な興味のある材料を正確に分類することができる。
このようなデータの次元性の向上により、データ情報の内容を大幅に改善することが可能になるが、ハイパースペクトル画像の正確な解析には従来の手法(いわゆる次元性の呪い)に挑戦する。
ハイパースペクトルコミュニティにおける活発な研究分野としての特徴抽出は、この問題に対処し、データ表現と分類に適した情報的特徴を抽出するために数十年にわたる研究を通じて進化した。
特徴抽出の進歩は、画像と信号処理の普及と機械(深層)学習という2つの分野の研究に触発され、浅層・深層技術という2つのタイプの特徴抽出アプローチがもたらされた。
本稿では,ハイパースペクトル画像の特徴抽出手法の進歩を概説し,最先端技術に関する技術的概要を提供し,学生,研究者,上級研究者など様々なレベルの研究者にとって有用なエントリポイントを提供し,この課題に対する新たな調査を希望する。
より詳しくは、超スペクトル特徴抽出とその超スペクトル画像分類への応用に特化した、浅層(教師付きかつ教師なしの両方)と深層特徴抽出アプローチに関する鳥の目視(bird's eye view)を提供する。
さらに,15の高度な手法と,その方法論的基礎を分類精度の観点から比較した。
さらに、コードとライブラリはhttps://github.com/BehnoodRasti/HyFTech-Hyperspectral-Shallow-Deep-Feature-Extraction-Toolboxで共有されている。
関連論文リスト
- Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
本稿ではセマンティクス指向のDeepFake検出タスクをサポートするための自動データセット拡張手法を提案する。
また,顔画像とそれに対応するラベルを併用して予測を行う。
提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
論文 参考訳（メタデータ） (2024-08-29T07:11:50Z) - Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。
その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。
我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
論文 参考訳（メタデータ） (2024-07-05T13:45:11Z) - Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳（メタデータ） (2023-12-18T11:37:19Z) - A Survey of Graph and Attention Based Hyperspectral Image Classification
Methods for Remote Sensing Data [5.1901440366375855]
ハイパースペクトルイメージング(HSI)の分類におけるディープラーニング技術の利用は急速に増加している。
最近の手法では、グラフ畳み込みネットワークの利用と、予測にノード機能を使用するユニークな機能についても検討されている。
論文 参考訳（メタデータ） (2023-10-16T00:42:25Z) - A Brief Yet In-Depth Survey of Deep Learning-Based Image Watermarking [1.249418440326334]
本稿では,ディープラーニングに基づく画像透かしに関する総合的な調査を行う。
カバーイメージ内の透かしの埋め込みと抽出に重点を置いており、堅牢性と適応性のシームレスなブレンドを提供することを目的としている。
本稿では,フィールドを埋め込み抽出器,特徴変換としてのディープネットワーク,ハイブリッドメソッドに分割する,洗練された分類手法を提案する。
論文 参考訳（メタデータ） (2023-08-08T22:06:14Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳（メタデータ） (2023-06-14T09:01:50Z) - A deep learning approach to clustering visual arts [7.363576598794859]
本稿では,deep Learning approach to cLustering vIsUal artSを提案する。
この方法は、事前訓練された畳み込みネットワークを使用して特徴を抽出し、これらの特徴を深い組込みクラスタリングモデルに供給する。
生の入力データを潜在空間にマッピングするタスクは、この潜在空間内のクラスタセントロイドの集合を見つけるタスクと共同で最適化される。
論文 参考訳（メタデータ） (2021-06-11T08:35:26Z) - Attention Model Enhanced Network for Classification of Breast Cancer
Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。
微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。
3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2020-10-07T08:44:21Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳（メタデータ） (2020-09-11T05:07:15Z) - Saliency-driven Class Impressions for Feature Visualization of Deep
Neural Networks [55.11806035788036]
分類に欠かせないと思われる特徴を視覚化することは有利である。
既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。
本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2020-07-31T06:11:06Z)
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。