論文の概要: Hyperspectral Images Classification Based on Multi-scale Residual Network

• arxiv url: http://arxiv.org/abs/2004.12381v2
• Date: Tue, 12 May 2020 01:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:35:21.692090
• Title: Hyperspectral Images Classification Based on Multi-scale Residual Network
• Title（参考訳）: マルチスケール残差ネットワークに基づくハイパースペクトル画像分類
• Authors: Xiangdong Zhang, Tengjun Wang, Yun Yang
• Abstract要約: ハイパースペクトルリモートセンシング画像は多くの冗長情報を含み、データ構造は非線形である。 深層畳み込みニューラルネットワークの精度は高いが、訓練に少量のデータを使用すると、ディープラーニング手法の分類精度が大幅に低下する。 ハイパースペクトル画像の小さなサンプルに対して,既存のアルゴリズムの分類精度の低い問題を解くために,マルチスケール残差ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 5.166817530813299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Because hyperspectral remote sensing images contain a lot of redundant information and the data structure is highly non-linear, leading to low classification accuracy of traditional machine learning methods. The latest research shows that hyperspectral image classification based on deep convolutional neural network has high accuracy. However, when a small amount of data is used for training, the classification accuracy of deep learning methods is greatly reduced. In order to solve the problem of low classification accuracy of existing algorithms on small samples of hyperspectral images, a multi-scale residual network is proposed. The multi-scale extraction and fusion of spatial and spectral features is realized by adding a branch structure into the residual block and using convolution kernels of different sizes in the branch. The spatial and spectral information contained in hyperspectral images are fully utilized to improve the classification accuracy. In addition, in order to improve the speed and prevent overfitting, the model uses dynamic learning rate, BN and Dropout strategies. The experimental results show that the overall classification accuracy of this method is 99.07% and 99.96% respectively in the data set of Indian Pines and Pavia University, which is better than other algorithms.
• Abstract（参考訳）: ハイパースペクトルリモートセンシング画像には多くの冗長な情報が含まれており、データ構造は非常に非線形であるため、従来の機械学習手法の分類精度は低い。 最近の研究では、深層畳み込みニューラルネットワークに基づくハイパースペクトル画像分類が高精度であることが示されている。 しかし、少量のデータをトレーニングに使用する場合、深層学習法の分類精度は大幅に低下する。 ハイパースペクトル画像の小型サンプル上で既存のアルゴリズムの分類精度が低いという課題を解決するため,マルチスケール残差ネットワークを提案する。 残差ブロックに分岐構造を追加し、その枝の大きさの異なる畳み込み核を用いて、空間的およびスペクトル的特徴の多スケール抽出と融合を実現する。 ハイパースペクトル画像に含まれる空間情報とスペクトル情報が十分に活用され、分類精度が向上する。 さらに、スピードの向上と過度な適合を防止するため、このモデルは動的学習率、BNおよびDropout戦略を使用する。 実験の結果,本手法の分類精度は,他のアルゴリズムよりも優れたインド松とパヴィア大学のデータセットにおいてそれぞれ99.07%,99.96%であった。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• A novel information gain-based approach for classification and dimensionality reduction of hyperspectral images [0.0]
  本稿では,高スペクトル画像の次元化と分類のための情報ゲインに基づく新しいフィルタ手法を提案する。 ハイパースペクトル帯の選択に基づく特別な戦略が採用され、最も情報性の高いバンドを選択し、無関係でノイズの多いバンドを捨てる。 提案手法は,2つのベンチマークハイパースペクトルデータセット(インド,パヴィア)と3つの競合する手法を用いて比較する。
  論文  参考訳（メタデータ） (2022-10-26T20:59:57Z)
• Terrain Classification using Transfer Learning on Hyperspectral Images: A Comparative study [0.13999481573773068]
  畳み込みニューラルネットワーク(CNN)とMulti-Layer Perceptron(MLP)は画像分類の有効な方法であることが証明されている。 しかし、彼らは長いトレーニング時間と大量のラベル付きデータの要求の問題に悩まされている。 本稿では,移動学習法を用いてトレーニング時間を短縮し,大規模ラベル付きデータセットへの依存を減らすことを提案する。
  論文  参考訳（メタデータ） (2022-06-19T14:36:33Z)
• 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)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
  本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T18:10:26Z)
• Hyperspectral Remote Sensing Image Classification Based on Multi-scale Cross Graphic Convolution [20.42582692786715]
  マルチスケール機能マイニング学習アルゴリズム(MGRNet)を提案する。 MGRNetは、主成分分析を用いて、元のハイパースペクトル画像(HSI)の次元を減少させ、その意味情報の99.99%を保持する。 3つの一般的なハイパースペクトルデータセットの実験により,本論文で提案したMGRNetアルゴリズムは,認識精度において従来の手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） (2021-06-28T15:28:09Z)
• Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
  現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。 ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。 ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
  論文  参考訳（メタデータ） (2021-01-25T16:36:53Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。