論文の概要: Hyperspectral Image Classification with Spatial Consistence Using Fully
Convolutional Spatial Propagation Network
- arxiv url: http://arxiv.org/abs/2008.01421v1
- Date: Tue, 4 Aug 2020 09:05:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 00:32:25.871452
- Title: Hyperspectral Image Classification with Spatial Consistence Using Fully
Convolutional Spatial Propagation Network
- Title（参考訳）: 完全畳み込み空間伝搬ネットワークを用いた空間構成によるハイパースペクトル画像分類
- Authors: Yenan Jiang, Ying Li, Shanrong Zou, Haokui Zhang, Yunpeng Bai
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.583523548244683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep convolutional neural networks (CNNs) have shown
impressive ability to represent hyperspectral images (HSIs) and achieved
encouraging results in HSI classification. However, the existing CNN-based
models operate at the patch-level, in which pixel is separately classified into
classes using a patch of images around it. This patch-level classification will
lead to a large number of repeated calculations, and it is difficult to
determine the appropriate patch size that is beneficial to classification
accuracy. In addition, the conventional CNN models operate convolutions with
local receptive fields, which cause failures in modeling contextual spatial
information. To overcome the aforementioned limitations, we propose a novel
end-to-end, pixels-to-pixels fully convolutional spatial propagation network
(FCSPN) for HSI classification. Our FCSPN consists of a 3D fully convolution
network (3D-FCN) and a convolutional spatial propagation network (CSPN).
Specifically, the 3D-FCN is firstly introduced for reliable preliminary
classification, in which a novel dual separable residual (DSR) unit is proposed
to effectively capture spectral and spatial information simultaneously with
fewer parameters. Moreover, the channel-wise attention mechanism is adapted in
the 3D-FCN to grasp the most informative channels from redundant channel
information. Finally, the CSPN is introduced to capture the spatial
correlations of HSI via learning a local linear spatial propagation, which
allows maintaining the HSI spatial consistency and further refining the
classification results. Experimental results on three HSI benchmark datasets
demonstrate that the proposed FCSPN achieves state-of-the-art performance on
HSI classification.
- Abstract（参考訳）: 近年、深層畳み込みニューラルネットワーク(cnns)は、ハイパースペクトル画像(hsis)を表現できる素晴らしい能力を示し、hsi分類において奨励的な結果を得た。
しかし、既存のcnnベースのモデルはパッチレベルで動作し、ピクセルは周囲のイメージのパッチを使って別々にクラスに分類される。
このパッチレベルの分類は、何度も繰り返される計算につながり、分類精度に有益である適切なパッチサイズを決定することは困難である。
加えて、従来のcnnモデルは局所受容場と畳み込みを操作し、文脈的空間情報のモデル化に失敗する。
上記の制限を克服するため、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。
我々の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)から構成されている。
特に、3D-FCNは信頼性の高い予備分類のために導入され、新しい二重分離残差(DSR)ユニットが提案され、スペクトル情報と空間情報を少ないパラメータで同時に捕捉する。
さらに、3D-FCNにチャネルワイドアテンション機構を適用し、冗長チャネル情報から最も情報性の高いチャネルを把握する。
最後に、局所線形空間伝播を学習することで、hsiの空間相関を捉えるためにcspnを導入することにより、hsiの空間的一貫性を維持し、さらに分類結果を改善することができる。
3つのHSIベンチマークデータセットによる実験結果から,提案したFCSPNがHSI分類における最先端性能を達成することが示された。
関連論文リスト
- Sharpend Cosine Similarity based Neural Network for Hyperspectral Image
Classification [0.456877715768796]
ハイパースペクトル画像分類(HSIC)は、高いクラス間類似度と変動性、ネスト領域、重なり合いのため難しい課題である。
2D畳み込みニューラルネットワーク(CNN)は有効なネットワークとして登場したが、3D CNNは正確な分類のため、より良い代替手段である。
本稿では,HSICのためのニューラルネットワークにおける畳み込みの代替として,SCS(Sharpened Cosine similarity)の概念を紹介する。
論文 参考訳（メタデータ） (2023-05-26T07:04:00Z) - DCN-T: Dual Context Network with Transformer for Hyperspectral Image
Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。
本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。
提案手法は,HSI分類における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-04-19T18:32:52Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - 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 Classification Based on Lightweight 3-D-CNN With Transfer
Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。
従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。
本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文 参考訳（メタデータ） (2020-12-07T03:44:35Z) - Efficient Deep Learning of Non-local Features for Hyperspectral Image
Classification [28.72648031677868]
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。
論文 参考訳（メタデータ） (2020-08-02T19:13:22Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - 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) - 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。