論文の概要: Spatial-Spectral Manifold Embedding of Hyperspectral Data
- arxiv url: http://arxiv.org/abs/2007.08767v1
- Date: Fri, 17 Jul 2020 05:40:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 13:57:35.595279
- Title: Spatial-Spectral Manifold Embedding of Hyperspectral Data
- Title（参考訳）: ハイパースペクトルデータの空間スペクトルマニフォールド埋め込み
- Authors: Danfeng Hong and Jing Yao and Xin Wu and Jocelyn Chanussot and Xiao
Xiang Zhu
- Abstract要約: 本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。
空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。
SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
- 参考スコア（独自算出の注目度）: 43.479889860715275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, hyperspectral imaging, also known as imaging spectroscopy,
has been paid an increasing interest in geoscience and remote sensing
community. Hyperspectral imagery is characterized by very rich spectral
information, which enables us to recognize the materials of interest lying on
the surface of the Earth more easier. We have to admit, however, that high
spectral dimension inevitably brings some drawbacks, such as expensive data
storage and transmission, information redundancy, etc. Therefore, to reduce the
spectral dimensionality effectively and learn more discriminative spectral
low-dimensional embedding, in this paper we propose a novel hyperspectral
embedding approach by simultaneously considering spatial and spectral
information, called spatial-spectral manifold embedding (SSME). Beyond the
pixel-wise spectral embedding approaches, SSME models the spatial and spectral
information jointly in a patch-based fashion. SSME not only learns the spectral
embedding by using the adjacency matrix obtained by similarity measurement
between spectral signatures, but also models the spatial neighbours of a target
pixel in hyperspectral scene by sharing the same weights (or edges) in the
process of learning embedding. Classification is explored as a potential
strategy to quantitatively evaluate the performance of learned embedding
representations. Classification is explored as a potential application for
quantitatively evaluating the performance of these hyperspectral embedding
algorithms. Extensive experiments conducted on the widely-used hyperspectral
datasets demonstrate the superiority and effectiveness of the proposed SSME as
compared to several state-of-the-art embedding methods.
- Abstract（参考訳）: 近年、イメージングスペクトロスコピーとしても知られる超スペクトルイメージングは、地球科学とリモートセンシングコミュニティの関心が高まっている。
ハイパースペクトル画像は、非常に豊富なスペクトル情報によって特徴付けられるため、地球表面にある興味のある物質をより容易に認識することができる。
しかし、高いスペクトル次元は必然的に、高価なデータストレージや送信、情報冗長性などいくつかの欠点をもたらすことを認めなければならない。
そこで本稿では,スペクトル次元を効果的に低減し,より差別的なスペクトルの低次元埋め込みを学習するために,空間的およびスペクトル的情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。
画素単位のスペクトル埋め込みアプローチの他に、SSMEはパッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。
SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、埋め込みを学ぶ過程で同じ重み(またはエッジ)を共有することにより、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
分類は,学習した埋め込み表現の性能を定量的に評価するための潜在的戦略として検討される。
分類はこれらのハイパースペクトル埋め込みアルゴリズムの性能を定量的に評価するための潜在的応用として検討されている。
広範に使用されているハイパースペクトルデータセットに対して行われた大規模な実験は、いくつかの最先端の埋め込み手法と比較して提案されたSSMEの優位性と有効性を示した。
関連論文リスト
- Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。
その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。
我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
論文 参考訳（メタデータ） (2024-07-05T13:45:11Z) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳（メタデータ） (2024-01-31T09:31:28Z) - Unsupervised Spectral Demosaicing with Lightweight Spectral Attention
Networks [6.7433262627741914]
本稿では、教師なしで訓練された深層学習に基づくスペクトル復調手法を提案する。
提案手法は, 空間歪み抑制, スペクトル忠実度, 頑健性, 計算コストの観点から, 従来の教師なし手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-05T02:45:44Z) - A new filter for dimensionality reduction and classification of
hyperspectral images using GLCM features and mutual information [0.0]
ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。
スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。
3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
論文 参考訳（メタデータ） (2022-11-01T13:19:08Z) - Hyperspectral Images Classification and Dimensionality Reduction using
spectral interaction and SVM classifier [0.0]
ハイパースペクトル画像(HSI)の高次元性は、収集したデータを分析する上で大きな課題の1つである。
ノイズ、冗長、無関係なバンドの存在は、計算複雑性を増大させる。
本稿では,スペクトル相互作用尺度に基づく新しいフィルタ手法と,次元減少のための支持ベクトルマシンを提案する。
論文 参考訳（メタデータ） (2022-10-27T15:37:57Z) - Incorporating Texture Information into Dimensionality Reduction for
High-Dimensional Images [65.74185962364211]
距離ベース次元削減手法に周辺情報を組み込む手法を提案する。
画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
論文 参考訳（メタデータ） (2022-02-18T13:17:43Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral
Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。
この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。
2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文 参考訳（メタデータ） (2020-09-21T16:29:59Z) - Hyperspectral Image Classification Based on Sparse Modeling of Spectral
Blocks [6.99674326582747]
ハイパースペクトル画像分類のためのスパースモデリングフレームワークを提案する。
提案手法により,高スペクトル画像の頑健なスパースモデルが実現され,分類精度が向上する。
論文 参考訳（メタデータ） (2020-05-17T08:18:13Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-03-15T23:07:56Z)
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。