論文の概要: Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing

• arxiv url: http://arxiv.org/abs/2004.00583v4
• Date: Mon, 21 Dec 2020 05:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:35:59.694270
• Title: Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing
• Title（参考訳）: スペクトルアンミキシングによる深部ハイパースペクトル画像分類性能の改善
• Authors: Alan J.X. Guo and Fei Zhu
• Abstract要約: 本稿では,多元HSI分類法を提案する。 我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。 次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
• 参考スコア（独自算出の注目度）: 3.84448093764973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in neural networks have made great progress in the hyperspectral image (HSI) classification. However, the overfitting effect, which is mainly caused by complicated model structure and small training set, remains a major concern. Reducing the complexity of the neural networks could prevent overfitting to some extent, but also declines the networks' ability to express more abstract features. Enlarging the training set is also difficult, for the high expense of acquisition and manual labeling. In this paper, we propose an abundance-based multi-HSI classification method. Firstly, we convert every HSI from the spectral domain to the abundance domain by a dataset-specific autoencoder. Secondly, the abundance representations from multiple HSIs are collected to form an enlarged dataset. Lastly, we train an abundance-based classifier and employ the classifier to predict over all the involved HSI datasets. Different from the spectra that are usually highly mixed, the abundance features are more representative in reduced dimension with less noise. This benefits the proposed method to employ simple classifiers and enlarged training data, and to expect less overfitting issues. The effectiveness of the proposed method is verified by the ablation study and the comparative experiments.
• Abstract（参考訳）: ニューラルネットワークの最近の進歩は、ハイパースペクトル画像(HSI)分類に大きな進歩をもたらした。 しかし,複雑なモデル構造と小さなトレーニングセットによって引き起こされる過剰フィッティング効果は依然として大きな関心事となっている。 ニューラルネットワークの複雑さを減らすことは、ある程度のオーバーフィッティングを防ぐだけでなく、ネットワークのより抽象的な特徴を表現する能力も低下させる。 トレーニングセットの拡大は、取得と手動ラベリングの高コストのためにも困難である。 本稿では,多元性に基づくマルチHSI分類法を提案する。 まず、データセット固有のオートエンコーダによって全てのhsiをスペクトル領域から存在量領域へ変換する。 次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。 最後に、存在量に基づく分類器をトレーニングし、関連するすべてのhsiデータセットを予測するために分類器を使用します。 通常高度に混合されるスペクトルとは異なり、豊富な特徴はより低ノイズの縮小次元においてより代表的である。 これにより、単純な分類器と拡張されたトレーニングデータを用いることで、過度に適合する問題を期待できる。 本手法の有効性をアブレーション法および比較実験により検証した。

関連論文リスト

• DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
  我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。 まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。 この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
  論文  参考訳（メタデータ） (2023-10-29T15:26:37Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• S$^3$R: Self-supervised Spectral Regression for Hyperspectral Histopathology Image Classification [13.388372624497807]
  本稿では,高スペクトル画像(HSI)のスペクトル領域における低階特性を利用した,効率的かつ効果的な自己監督型スペクトル回帰法(S$3$R)を提案する。 2つのプレテキストタスクを設計する:(1)S$3$R-CRは線形係数を回帰し、事前学習されたモデルがHSIの固有構造と異なる形態の病理特性を理解するようにし、(2)S$3$R-BRは欠落したバンドを回帰し、HSIの全体論的意味学を学ぶモデルを作る。
  論文  参考訳（メタデータ） (2022-09-19T05:47:11Z)
• On Improving the Performance of Glitch Classification for Gravitational Wave Detection by using Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)を用いた分類性能向上のためのフレームワークを提案する。 提案手法は,ディープネットワークを用いたスペクトルの分類における伝達学習の代替となることを示す。
  論文  参考訳（メタデータ） (2022-07-08T16:35:17Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classificationtion [14.33259265286265]
  本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。 マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
  論文  参考訳（メタデータ） (2022-03-09T14:42:26Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Hyperspectral Image Super-Resolution with Spectral Mixup and Heterogeneous Datasets [99.92564298432387]
  ハイパースペクトル画像(HSI)超解像(SR)の研究 HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。 これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
  論文  参考訳（メタデータ） (2021-01-19T12:19:53Z)

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。