論文の概要: LiteDenseNet: A Lightweight Network for Hyperspectral Image
Classification
- arxiv url: http://arxiv.org/abs/2004.08112v2
- Date: Sun, 26 Apr 2020 14:15:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 13:32:56.317263
- Title: LiteDenseNet: A Lightweight Network for Hyperspectral Image
Classification
- Title（参考訳）: LiteDenseNet:ハイパースペクトル画像分類のための軽量ネットワーク
- Authors: Rui Li and Chenxi Duan
- Abstract要約: ハイパースペクトル画像分類のためのDenseNetに基づく軽量ネットワークアーキテクチャ(LiteDenseNet)を提案する。
GoogLeNetとPeleeNetにインスパイアされた我々は、入力の局所的およびグローバル的特徴を捉えるために、3次元の双方向の高密度層を設計する。
畳み込みは計算集約的な演算であるため、計算コストとパラメータサイズをさらに削減するためにグループ畳み込みを導入する。
- 参考スコア（独自算出の注目度）: 2.696926374562295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral Image (HSI) classification based on deep learning has been an
attractive area in recent years. However, as a kind of data-driven algorithm,
deep learning method usually requires numerous computational resources and
high-quality labelled dataset, while the cost of high-performance computing and
data annotation is expensive. In this paper, to reduce dependence on massive
calculation and labelled samples, we propose a lightweight network architecture
(LiteDenseNet) based on DenseNet for Hyperspectral Image Classification.
Inspired by GoogLeNet and PeleeNet, we design a 3D two-way dense layer to
capture the local and global features of the input. As convolution is a
computationally intensive operation, we introduce group convolution to decrease
calculation cost and parameter size further. Thus, the number of parameters and
the consumptions of calculation are observably less than contrapositive deep
learning methods, which means LiteDenseNet owns simpler architecture and higher
efficiency. A series of quantitative experiences on 6 widely used hyperspectral
datasets show that the proposed LiteDenseNet obtains the state-of-the-art
performance, even though when the absence of labelled samples is severe.
- Abstract（参考訳）: 近年,ディープラーニングに基づくハイパースペクトル画像(HSI)の分類が注目されている。
しかし、データ駆動アルゴリズムの一種として、ディープラーニングは通常、大量の計算リソースと高品質のラベル付きデータセットを必要とするが、高性能コンピューティングとデータアノテーションのコストは高価である。
本稿では,大量の計算やラベル付きサンプルへの依存を減らすために,ハイパースペクトル画像分類のための密度ネットに基づく軽量ネットワークアーキテクチャ (litedensenet) を提案する。
GoogLeNetとPeleeNetにインスパイアされた我々は、入力の局所的およびグローバル的特徴を捉えるために、3次元の双方向の高密度層を設計する。
畳み込みは計算集約的な演算であるため、計算コストとパラメータサイズをさらに削減するためにグループ畳み込みを導入する。
したがって、パラメータの数と計算の消費量は、反正のディープラーニングメソッドよりも可観測的に少ないため、litedensenetはよりシンプルなアーキテクチャと高い効率を持っている。
6つの広く使用されているハイパースペクトルデータセットに関する一連の定量的経験から,ラベル付きサンプルの欠如が深刻であるにも関わらず,提案したLiteDenseNetが最先端のパフォーマンスを得ることが示された。
関連論文リスト
- PointeNet: A Lightweight Framework for Effective and Efficient Point
Cloud Analysis [28.54939134635978]
PointeNetは、ポイントクラウド分析に特化したネットワークである。
本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。
ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-12-20T03:34:48Z) - Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。
DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文 参考訳（メタデータ） (2023-08-21T07:24:29Z) - Lightweight Salient Object Detection in Optical Remote Sensing Images
via Feature Correlation [93.80710126516405]
本稿では,これらの問題に対処する軽量ORSI-SODソリューションであるCorrNetを提案する。
それぞれのコンポーネントのパラメータと計算を減らし、CorrNetは4.09Mのパラメータしか持たず、21.09GのFLOPで実行している。
2つの公開データセットの実験結果から、私たちの軽量なCorrNetは、26の最先端メソッドと比較して、競争力やパフォーマンスがさらに向上することが示された。
論文 参考訳（メタデータ） (2022-01-20T08:28:01Z) - RC-Net: A Convolutional Neural Network for Retinal Vessel Segmentation [3.0846824529023387]
本稿では,機能重複と複雑性を低減するために,層ごとのフィルタ数を最適化した完全畳み込みネットワークRC-Netを提案する。
我々の実験では、RC-Netは非常に競争力があり、訓練可能なパラメータが2、3桁も少ない代替船のセグメンテーション手法よりも優れています。
論文 参考訳（メタデータ） (2021-12-21T10:24:01Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - Efficient 3D Point Cloud Feature Learning for Large-Scale Place
Recognition [21.818744369503197]
視覚的位置認識のためのグローバルディスクリプタを構築するために,効率的なポイントクラウド学習ネットワーク(EPC-Net)を開発した。
提案手法は,フレームあたりのパラメータ,FLOP,ランタイムを低減して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-01-07T05:15:31Z) - LiteDepthwiseNet: An Extreme Lightweight Network for Hyperspectral Image
Classification [9.571458051525768]
本稿では,HSI分類のための新しいネットワークアーキテクチャLiteDepthwiseNetを提案する。
LiteDepthwiseNetは、標準の畳み込みを深さ方向の畳み込みと点方向の畳み込みに分解し、最小限のパラメータで高い分類性能を達成する。
3つのベンチマークハイパースペクトルデータセットによる実験結果から、LiteDepthwiseNetは、非常に少ないパラメータと少ない計算コストで最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-10-15T13:12:17Z) - Fully Dynamic Inference with Deep Neural Networks [19.833242253397206]
Layer-Net(L-Net)とChannel-Net(C-Net)と呼ばれる2つのコンパクトネットワークは、どのレイヤやフィルタ/チャネルが冗長であるかをインスタンス毎に予測する。
CIFAR-10データセットでは、LC-Netは11.9$times$ less floating-point Operations (FLOPs) となり、他の動的推論手法と比較して最大3.3%精度が向上する。
ImageNetデータセットでは、LC-Netは最大1.4$times$ FLOPsを減らし、Top-1の精度は他の方法よりも4.6%高い。
論文 参考訳（メタデータ） (2020-07-29T23:17:48Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z) - Large-Scale Gradient-Free Deep Learning with Recursive Local
Representation Alignment [84.57874289554839]
大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。
これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。
本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
論文 参考訳（メタデータ） (2020-02-10T16:20:02Z) - 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。