論文の概要: Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing

• arxiv url: http://arxiv.org/abs/2007.14033v2
• Date: Sat, 12 Sep 2020 13:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:45:33.381867
• Title: Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing
• Title（参考訳）: Sparse Hyperspectral Unmixingのための超画素グラフラプラシアン正規化
• Authors: Taner Ince
• Abstract要約: 画像境界を考慮した超画素分割アルゴリズムを用いて同質領域を抽出する。 まず、各スーパーピクセルの重み付きグラフを、各スーパーピクセルで$K$-nearest ピクセルを選択して構築する。 グラフラプラシア正規化を用いて空間的類似性を検討した。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An efficient spatial regularization method using superpixel segmentation and graph Laplacian regularization is proposed for sparse hyperspectral unmixing method. Since it is likely to find spectrally similar pixels in a homogeneous region, we use a superpixel segmentation algorithm to extract the homogeneous regions by considering the image boundaries. We first extract the homogeneous regions, which are called superpixels, then a weighted graph in each superpixel is constructed by selecting $K$-nearest pixels in each superpixel. Each node in the graph represents the spectrum of a pixel and edges connect the similar pixels inside the superpixel. The spatial similarity is investigated using graph Laplacian regularization. Sparsity regularization for abundance matrix is provided using a weighted sparsity promoting norm. Experimental results on simulated and real data sets show the superiority of the proposed algorithm over the well-known algorithms in the literature.
• Abstract（参考訳）: Sparse hyperspectral unmixing法において,超画素分割とグラフラプラシアン正規化を用いた効率的な空間正規化法を提案する。 スペクトル的に類似した画素が均質な領域で見つかる可能性が高いため、超画素分割アルゴリズムを用いて画像境界を考慮し均質な領域を抽出する。 まず、スーパーピクセルと呼ばれる均質な領域を抽出し、次に各スーパーピクセル内の重み付きグラフを、各スーパーピクセルに$k$-nearestピクセルを選択することで構築する。 グラフの各ノードはピクセルのスペクトルを表し、エッジはスーパーピクセル内の同様のピクセルを接続する。 空間的類似性はグラフラプラシアン正則化を用いて検討する。 重み付きスパーシティ促進ノルムを用いて、存在量行列のスパーシティ正規化を提供する。 シミュレーションおよび実データを用いた実験の結果,文献でよく知られたアルゴリズムよりも,提案アルゴリズムが優れていることが示された。

関連論文リスト

• Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
  ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。 評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
  論文  参考訳（メタデータ） (2024-07-22T01:20:32Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Semi-supervised segmentation of land cover images using nonlinear canonical correlation analysis with multiple features and t-SNE [1.7000283696243563]
  イメージセグメンテーションはクラスタリングタスクであり、各ピクセルにクラスタラベルが割り当てられる。 本研究では,少数のピクセルのみをラベル付けすることで,半教師付きセグメンテーション手法を提案する。 提案した半教師付きRBF-CCAアルゴリズムは、リモートセンシングされた複数のマルチスペクトル画像に実装されている。
  論文  参考訳（メタデータ） (2024-01-22T17:56:07Z)
• Image Reconstruction using Superpixel Clustering and Tensor Completion [21.088385725444944]
  本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。 本稿では,2つのスムーズなテンソル補完アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-16T16:00:48Z)
• Unsupervised Superpixel Generation using Edge-Sparse Embedding [18.92698251515116]
  特徴に対する画素の類似性に基づいて画像をスーパーピクセルに分割することは、データの複雑さを著しく減らし、その後の画像処理タスクを改善する。 コントラストの少ない非畳み込み画像デコーダを提案し、再構成画像にスムーズで接続されたエッジを強制する。 我々はデコーダの最後に隠された層から、余分な空間情報をスムーズなアクティベーションマップに符号化してエッジスパース画素埋め込みを生成し、標準クラスタリングアルゴリズムを用いて高品質なスーパーピクセルを抽出する。
  論文  参考訳（メタデータ） (2022-11-28T15:55:05Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)

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。