論文の概要: Advances in Deep Learning for Hyperspectral Image Analysis--Addressing
Challenges Arising in Practical Imaging Scenarios
- arxiv url: http://arxiv.org/abs/2007.08592v1
- Date: Thu, 16 Jul 2020 19:51:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 22:58:03.875788
- Title: Advances in Deep Learning for Hyperspectral Image Analysis--Addressing
Challenges Arising in Practical Imaging Scenarios
- Title（参考訳）: ハイパースペクトル画像解析のための深層学習の進歩--実用的なイメージングシナリオにおける課題
- Authors: Xiong Zhou and Saurabh Prasad
- Abstract要約: 我々は,強靭なハイパースペクトル画像解析にディープラーニングを活用するコミュニティの進歩を概観する。
課題は 地上の真実と データの高次元的な性質です
具体的には,画像解析における教師なし,半教師付き,アクティブな学習手法について検討する。
- 参考スコア（独自算出の注目度）: 7.41157183358269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have proven to be very effective for computer vision
tasks, such as image classification, object detection, and semantic
segmentation -- these are primarily applied to color imagery and video. In
recent years, there has been an emergence of deep learning algorithms being
applied to hyperspectral and multispectral imagery for remote sensing and
biomedicine tasks. These multi-channel images come with their own unique set of
challenges that must be addressed for effective image analysis. Challenges
include limited ground truth (annotation is expensive and extensive labeling is
often not feasible), and high dimensional nature of the data (each pixel is
represented by hundreds of spectral bands), despite being presented by a large
amount of unlabeled data and the potential to leverage multiple sensors/sources
that observe the same scene. In this chapter, we will review recent advances in
the community that leverage deep learning for robust hyperspectral image
analysis despite these unique challenges -- specifically, we will review
unsupervised, semi-supervised and active learning approaches to image analysis,
as well as transfer learning approaches for multi-source (e.g. multi-sensor, or
multi-temporal) image analysis.
- Abstract（参考訳）: ディープニューラルネットワークは、画像分類、オブジェクト検出、セマンティックセグメンテーションなどのコンピュータビジョンタスクに非常に効果的であることが証明されている。
近年,遠隔センシングやバイオメディカルタスクのためのハイパースペクトル・マルチスペクトル画像にディープラーニングアルゴリズムが適用されている。
これらのマルチチャンネル画像には、効果的な画像分析のために対処しなければならない独自の課題が伴う。
課題には、限られた基底的真理(注釈は高価であり、広範囲なラベリングは不可能であることが多い)、データの高次元的性質(各ピクセルは数百のスペクトル帯域で表される)、大量のラベルのないデータと、同じシーンを観察する複数のセンサー/ソースを活用する可能性がある。
この章では、これらのユニークな課題にもかかわらず、強固なハイパースペクトル画像分析にディープラーニングを利用するコミュニティの最近の進歩を概観する。具体的には、画像分析に対する教師なし、半教師なし、アクティブな学習アプローチ、およびマルチソース画像分析のための転送学習アプローチ(例えば、マルチセンサー、マルチタイムポーラ)について検討する。
関連論文リスト
- UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。
これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。
提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
論文 参考訳（メタデータ） (2024-05-09T19:02:00Z) - Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。
提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
論文 参考訳（メタデータ） (2024-03-25T17:52:07Z) - Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳（メタデータ） (2024-03-04T10:18:38Z) - Attention De-sparsification Matters: Inducing Diversity in Digital
Pathology Representation Learning [31.192429592497692]
DiRLは病理画像のための多様性誘導表現学習技術である。
我々は、ビュー間の複数の対応する表現にマッチするように設計されたSSLのための事前誘導された高密度プリテキストタスクを提案する。
論文 参考訳（メタデータ） (2023-09-12T17:59:10Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Multiple Instance Learning for Digital Pathology: A Review on the
State-of-the-Art, Limitations & Future Potential [0.29008108937701327]
デジタルスライド画像には膨大な情報が含まれている。
ディープニューラルネットワークは、デジタル病理学の分野における様々なタスクに対して高いポテンシャルを示す。
ディープラーニングアルゴリズムは、効果的なトレーニングを可能にするために、大量の画像データに加えて、(手動)アノテーションを必要とする。
複数のインスタンス学習は、完全な注釈付きデータなしでシナリオでディープニューラルネットワークを学習するための強力なツールである。
論文 参考訳（メタデータ） (2022-06-09T11:27:26Z) - Hybrid Optimized Deep Convolution Neural Network based Learning Model
for Object Detection [0.0]
物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。
近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。
本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。
提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
論文 参考訳（メタデータ） (2022-03-02T04:39:37Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z)
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。