論文の概要: Light Weight Residual Dense Attention Net for Spectral Reconstruction from RGB Images

• arxiv url: http://arxiv.org/abs/2004.06930v2
• Date: Sun, 19 Apr 2020 03:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 02:46:31.786285
• Title: Light Weight Residual Dense Attention Net for Spectral Reconstruction from RGB Images
• Title（参考訳）: RGB画像からのスペクトル再構成のための軽量残差注意網
• Authors: D.Sabari Nathan, K.Uma, D Synthiya Vinothini, B. Sathya Bama, S. M. Md Mansoor Roomi
• Abstract要約: 本研究は,注目機構を持つ残留密度モデルに基づいて,約233,059パラメータのパラメータが極めて少ない新しい軽量ネットワークを提案する。 このネットワークは NTIRE 2020 チャレンジデータセットでトレーニングされており、計算複雑性の少ない 0.0457 MRAE メトリック値を達成した。
• 参考スコア（独自算出の注目度）: 0.34998703934432684
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Hyperspectral Imaging is the acquisition of spectral and spatial information of a particular scene. Capturing such information from a specialized hyperspectral camera remains costly. Reconstructing such information from the RGB image achieves a better solution in both classification and object recognition tasks. This work proposes a novel light weight network with very less number of parameters about 233,059 parameters based on Residual dense model with attention mechanism to obtain this solution. This network uses Coordination Convolutional Block to get the spatial information. The weights from this block are shared by two independent feature extraction mechanisms, one by dense feature extraction and the other by the multiscale hierarchical feature extraction. Finally, the features from both the feature extraction mechanisms are globally fused to produce the 31 spectral bands. The network is trained with NTIRE 2020 challenge dataset and thus achieved 0.0457 MRAE metric value with less computational complexity.
• Abstract（参考訳）: ハイパースペクトルイメージング(hyperspectral imaging)は、特定のシーンのスペクトル情報と空間情報の取得である。 特殊なハイパースペクトルカメラからそのような情報をキャプチャすることはコストがかかる。 RGB画像からそのような情報を再構成すると、分類タスクとオブジェクト認識タスクの両方においてより良い解が得られる。 本研究は,Residual dense modelに基づくパラメータ数233,059の新たな軽量ネットワークを提案する。 このネットワークは空間情報の取得にCoordination Convolutional Blockを使用する。 このブロックからの重みは、2つの独立した特徴抽出機構によって共有され、一方は高密度特徴抽出によって、もう一方は多スケール階層特徴抽出によって共有される。 最後に、両方の特徴抽出機構の特徴をグローバルに融合して31のスペクトルバンドを生成する。 このネットワークは NTIRE 2020 チャレンジデータセットでトレーニングされており、計算複雑性の少ない 0.0457 MRAE メトリック値を達成した。

関連論文リスト

• SSF-Net: Spatial-Spectral Fusion Network with Spectral Angle Awareness for Hyperspectral Object Tracking [21.664141982246598]
  ハイパースペクトルビデオ(HSV)は、空間的、スペクトル的、時間的情報を同時に提供する。 既存の手法は主にバンド再編成に重点を置いており、特徴抽出のためにRGBトラッカーに依存している。 本稿では、超スペクトル(HS)物体追跡において、スペクトル角認識(SST-Net)を用いた空間-スペクトル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T09:37:13Z)
• Efficient Segmentation with Texture in Ore Images Based on Box-supervised Approach [6.6773975364173]
  完全な鉱石と独立した鉱石を識別するために, テクスチャを特徴とするボックス管理手法を提案する。 提案手法は,21.6MBの小型モデルサイズで毎秒50フレーム以上を実現する。 この手法は、鉱石画像データセットの最先端アプローチと比較して高い精度を維持している。
  論文  参考訳（メタデータ） (2023-11-10T08:28:22Z)
• 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)
• 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)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。