論文の概要: Efficient Deep Learning of Non-local Features for Hyperspectral Image
Classification
- arxiv url: http://arxiv.org/abs/2008.00542v1
- Date: Sun, 2 Aug 2020 19:13:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 19:56:14.587300
- Title: Efficient Deep Learning of Non-local Features for Hyperspectral Image
Classification
- Title(参考訳): ハイパースペクトル画像分類のための非局所特徴の効率的な深層学習
- Authors: Yu Shen, Sijie Zhu, Chen Chen, Qian Du, Liang Xiao, Jianyu Chen, Delu
Pan
- Abstract要約: 高スペクトル画像(HSI)分類のために, ENL-FCN と呼ばれる効率的な非局所モジュールを持つ深部完全畳み込みネットワーク (FCN) を提案する。
提案するフレームワークである深部FCNは、全HSIを入力とみなし、局所受容領域におけるスペクトル空間情報を抽出する。
リカレント操作を使用することで、各画素の応答はHSIの全画素から集約される。
- 参考スコア(独自算出の注目度): 28.72648031677868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based methods, such as Convolution Neural Network (CNN), have
demonstrated their efficiency in hyperspectral image (HSI) classification.
These methods can automatically learn spectral-spatial discriminative features
within local patches. However, for each pixel in an HSI, it is not only related
to its nearby pixels but also has connections to pixels far away from itself.
Therefore, to incorporate the long-range contextual information, a deep fully
convolutional network (FCN) with an efficient non-local module, named ENL-FCN,
is proposed for HSI classification. In the proposed framework, a deep FCN
considers an entire HSI as input and extracts spectral-spatial information in a
local receptive field. The efficient non-local module is embedded in the
network as a learning unit to capture the long-range contextual information.
Different from the traditional non-local neural networks, the long-range
contextual information is extracted in a specially designed criss-cross path
for computation efficiency. Furthermore, by using a recurrent operation, each
pixel's response is aggregated from all pixels of HSI. The benefits of our
proposed ENL-FCN are threefold: 1) the long-range contextual information is
incorporated effectively, 2) the efficient module can be freely embedded in a
deep neural network in a plug-and-play fashion, and 3) it has much fewer
learning parameters and requires less computational resources. The experiments
conducted on three popular HSI datasets demonstrate that the proposed method
achieves state-of-the-art classification performance with lower computational
cost in comparison with several leading deep neural networks for HSI.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)のようなディープラーニングに基づく手法は、ハイパースペクトル画像(HSI)分類においてその効率を実証している。
これらの手法は局所パッチ内のスペクトル空間識別特徴を自動的に学習することができる。
しかし、hsi内の各画素は、その近傍の画素と関係しているだけでなく、自分自身から遠く離れたピクセルとも接続している。
そこで, ENL-FCN という名前の効率的な非局所モジュールを持つ深層完全畳み込みネットワーク (FCN) をHSI分類に組み込む手法を提案する。
提案フレームワークでは,深部FCNが全HSIを入力とみなし,局所受容領域におけるスペクトル空間情報を抽出する。
効率的な非ローカルモジュールは、長い範囲のコンテキスト情報をキャプチャする学習ユニットとしてネットワークに埋め込まれる。
従来の非局所ニューラルネットワークとは異なり、長距離文脈情報は計算効率のために特別に設計されたcriss-crossパスから抽出される。
さらに、繰り返し操作を用いることで、各画素の応答をHSIの全画素から集約する。
提案するENL-FCNの利点は3つある。
1) 長距離コンテキスト情報を効果的に組み込む。
2) 効率的なモジュールは、プラグアンドプレイ方式でディープニューラルネットワークに自由に組み込むことができ、
3) 学習パラメータがはるかに少なく、計算リソースも少なくなります。
3つのhsiデータセットで行った実験により,提案手法は,hsiの先駆的深層ニューラルネットワークと比較して,計算コストの低減とともに最先端の分類性能を実現することが示された。
関連論文リスト
- LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。
本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。
LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文 参考訳(メタデータ) (2024-07-13T16:09:45Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳(メタデータ) (2023-10-17T01:05:28Z) - Increasing the Accuracy of a Neural Network Using Frequency Selective
Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。
ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。
ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文 参考訳(メタデータ) (2022-09-28T21:34:47Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳(メタデータ) (2021-12-01T18:20:52Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳(メタデータ) (2021-11-27T15:38:57Z) - RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。
実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。
その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文 参考訳(メタデータ) (2021-09-19T15:57:20Z) - Hyperspectral Image Classification with Spatial Consistence Using Fully
Convolutional Spatial Propagation Network [9.583523548244683]
深部畳み込みニューラルネットワーク(CNN)は、高スペクトル画像(HSI)を表現できる印象的な能力を示している
本稿では,HSI分類のための新しいエンドツーエンドの画素間完全畳み込み空間伝搬ネットワーク(FCSPN)を提案する。
FCSPNは3次元完全畳み込みネットワーク(3D-FCN)と畳み込み空間伝播ネットワーク(CSPN)からなる。
論文 参考訳(メタデータ) (2020-08-04T09:05:52Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳(メタデータ) (2020-03-11T08:45:53Z) - Hyperspectral Classification Based on 3D Asymmetric Inception Network
with Data Fusion Transfer Learning [36.05574127972413]
私たちはまず、3D非対称なインセプションネットワークであるAINetを提供し、過度に適合する問題を克服します。
HSIデータの空間的コンテキストに対するスペクトルシグネチャの強調により、AINetはこの機能を効果的に伝達し、分類することができる。
論文 参考訳(メタデータ) (2020-02-11T06:37:34Z) - Dense Residual Network: Enhancing Global Dense Feature Flow for
Character Recognition [75.4027660840568]
本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。
技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
論文 参考訳(メタデータ) (2020-01-23T06:55:08Z) - 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。