論文の概要: Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2005.14400v1
• Date: Fri, 29 May 2020 05:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:48:31.624464
• Title: Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks
• Title（参考訳）: 深部スペクトル畳み込みニューラルネットワークによるハイパースペクトル画像超解像
• Authors: Jin-Fan Hu, Ting-Zhu Huang, Liang-Jian Deng, Tai-Xiang Jiang, Gemine Vivone and Jocelyn Chanussot
• Abstract要約: 本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。 提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
• 参考スコア（独自算出の注目度）: 32.10057746890683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral images are of crucial importance in order to better understand features of different materials. To reach this goal, they leverage on a high number of spectral bands. However, this interesting characteristic is often paid by a reduced spatial resolution compared with traditional multispectral image systems. In order to alleviate this issue, in this work, we propose a simple and efficient architecture for deep convolutional neural networks to fuse a low-resolution hyperspectral image (LR-HSI) and a high-resolution multispectral image (HR-MSI), yielding a high-resolution hyperspectral image (HR-HSI). The network is designed to preserve both spatial and spectral information thanks to an architecture from two folds: one is to utilize the HR-HSI at a different scale to get an output with a satisfied spectral preservation; another one is to apply concepts of multi-resolution analysis to extract high-frequency information, aiming to output high quality spatial details. Finally, a plain mean squared error loss function is used to measure the performance during the training. Extensive experiments demonstrate that the proposed network architecture achieves best performance (both qualitatively and quantitatively) compared with recent state-of-the-art hyperspectral image super-resolution approaches. Moreover, other significant advantages can be pointed out by the use of the proposed approach, such as, a better network generalization ability, a limited computational burden, and a robustness with respect to the number of training samples.
• Abstract（参考訳）: ハイパースペクトル画像は、異なる材料の特徴をよりよく理解するために重要である。 この目標を達成するために、彼らは多くのスペクトルバンドを利用する。 しかし、この興味深い特徴は、従来のマルチスペクトル画像システムと比較して、空間分解能の低下によってしばしば支払われる。 そこで本研究では,高分解能ハイパースペクトル画像(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を融合して高分解能ハイパースペクトル画像(HR-HSI)を生成する,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。 ネットワークは、異なるスケールでhr-hsiを活用し、スペクトル保存を満足した出力を得ることと、高品位な空間詳細を出力するために、高頻度情報を抽出するためにマルチレゾリューション分析の概念を適用することという2つの折りたたみから、空間情報とスペクトル情報の両方を保存するように設計されている。 最後に、トレーニング中のパフォーマンスを測定するために平均二乗誤差損失関数が使用される。 広汎な実験により、提案したネットワークアーキテクチャは、最近の最先端ハイパースペクトル画像超解像法と比較して(質的にも定量的にも)最高の性能を達成することが示された。 さらに,ネットワーク一般化能力の向上,計算負荷の制限,トレーニングサンプル数に対するロバスト性など,提案手法の利用により,他の重要な利点が指摘できる。

関連論文リスト

• 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)
• Deep Posterior Distribution-based Embedding for Hyperspectral Image Super-resolution [75.24345439401166]
  本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。 我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。 そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。 3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-05-30T06:59:01Z)
• Fusformer: A Transformer-based Fusion Approach for Hyperspectral Image Super-resolution [9.022005574190182]
  低分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させるトランスフォーマーに基づくネットワークを設計する。 LR-HSIは主スペクトル構造を持つため、ネットワークは空間的詳細推定に重点を置いている。 様々な実験と品質指標は、他の最先端手法と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2021-09-05T14:00:34Z)
• Spatial-Spectral Feedback Network for Super-Resolution of Hyperspectral Imagery [11.76638109321532]
  ハイパースペクトル画像における高次元および複雑なスペクトルパターンは、バンド間の空間情報とスペクトル情報の同時探索を困難にする。 利用可能なハイパースペクトルトレーニングサンプルの数は極めて少なく、ディープニューラルネットワークのトレーニング時にオーバーフィットする可能性がある。 グローバルスペクトル帯域からの高レベル情報を持つ局所スペクトル帯域間の低レベル表現を洗練するための新しい空間スペクトルフィードバックネットワーク(ssfn)を提案する。
  論文  参考訳（メタデータ） (2021-03-07T13:28:48Z)
• 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)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 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した,新しいアーキテクチャを提案する。 提案手法は,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。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)
• 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。