論文の概要: SA-Net: A deep spectral analysis network for image clustering
- arxiv url: http://arxiv.org/abs/2009.07026v1
- Date: Fri, 11 Sep 2020 05:27:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:53:37.160637
- Title: SA-Net: A deep spectral analysis network for image clustering
- Title(参考訳): SA-Net:画像クラスタリングのためのディープスペクトル解析ネットワーク
- Authors: Jinghua Wang and Jianmin Jiang
- Abstract要約: 教師なし表現学習と画像クラスタリングのためのディープスペクトル解析ネットワークを提案する。
SA-Netは、深層表現を学習し、データサンプル間の深い相関を明らかにする能力を持っている。
提案するSA-Netは、多数の画像クラスタリングアプリケーションで11のベンチマークを上回ります。
- 参考スコア(独自算出の注目度): 31.334196673143257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although supervised deep representation learning has attracted enormous
attentions across areas of pattern recognition and computer vision, little
progress has been made towards unsupervised deep representation learning for
image clustering. In this paper, we propose a deep spectral analysis network
for unsupervised representation learning and image clustering. While spectral
analysis is established with solid theoretical foundations and has been widely
applied to unsupervised data mining, its essential weakness lies in the fact
that it is difficult to construct a proper affinity matrix and determine the
involving Laplacian matrix for a given dataset. In this paper, we propose a
SA-Net to overcome these weaknesses and achieve improved image clustering by
extending the spectral analysis procedure into a deep learning framework with
multiple layers. The SA-Net has the capability to learn deep representations
and reveal deep correlations among data samples. Compared with the existing
spectral analysis, the SA-Net achieves two advantages: (i) Given the fact that
one spectral analysis procedure can only deal with one subset of the given
dataset, our proposed SA-Net elegantly integrates multiple parallel and
consecutive spectral analysis procedures together to enable interactive
learning across different units towards a coordinated clustering model; (ii)
Our SA-Net can identify the local similarities among different images at patch
level and hence achieves a higher level of robustness against occlusions.
Extensive experiments on a number of popular datasets support that our proposed
SA-Net outperforms 11 benchmarks across a number of image clustering
applications.
- Abstract(参考訳): 教師あり深層表現学習は、パターン認識やコンピュータビジョンの分野において大きな注目を集めているが、画像クラスタリングのための教師なし深層表現学習への進歩はほとんどない。
本稿では,教師なし表現学習と画像クラスタリングのための深いスペクトル解析ネットワークを提案する。
スペクトル解析は、厳密な理論的基礎で確立されており、教師なしのデータマイニングに広く適用されているが、その本質的な弱点は、適切な親和性行列を構築し、与えられたデータセットのラプラシアン行列を決定するのが困難であるという事実にある。
本稿では,これらの弱点を克服し,スペクトル解析手法を複数の層を持つディープラーニングフレームワークに拡張することにより,画像クラスタリングの改善を実現するSA-Netを提案する。
SA-Netは、深層表現を学び、データサンプル間の深い相関を明らかにする能力を持っている。
既存のスペクトル分析と比較すると、SA-Netは2つの利点がある。
i)あるスペクトル解析手順が与えられたデータセットの1つのサブセットしか扱えないという事実から,提案するsa-netは,複数の並列かつ連続的なスペクトル分析手順をエレガントに統合することにより,協調クラスタリングモデルに向けて,異なる単位間の対話的学習を可能にする。
(II)我々のSA-Netはパッチレベルで異なる画像間の局所的類似性を識別し,閉塞に対する堅牢性を高める。
私たちの提案するsa-netは、多数の画像クラスタリングアプリケーションで11のベンチマークを上回っている。
関連論文リスト
- Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。
本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。
2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2024-07-02T20:29:23Z) - DiffSpectralNet : Unveiling the Potential of Diffusion Models for
Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。
まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。
この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文 参考訳(メタデータ) (2023-10-29T15:26:37Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳(メタデータ) (2023-10-11T07:30:37Z) - 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) - Masked Spatial-Spectral Autoencoders Are Excellent Hyperspectral
Defenders [15.839321488352535]
本研究では,HSI解析システムのロバスト性を高めるマスク付き空間スペクトルオートエンコーダ(MSSA)を提案する。
限定ラベル付きサンプルの防衛伝達性の向上と課題に対処するため,MSSAはプリテキストタスクとしてスペクトル再構成を採用している。
3つのベンチマークの総合的な実験は、最先端のハイパースペクトル分類法と比較してMSSAの有効性を検証する。
論文 参考訳(メタデータ) (2022-07-16T01:33:13Z) - Hyperspectral Image Segmentation based on Graph Processing over
Multilayer Networks [51.15952040322895]
ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。
M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。
HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
論文 参考訳(メタデータ) (2021-11-29T23:28:18Z) - Large-Scale Hyperspectral Image Clustering Using Contrastive Learning [18.473767002905433]
SSCC(Spectral-Spatial Contrastive Clustering)という,スケーラブルなオンラインクラスタリングモデルを提案する。
我々は、スペクトル空間拡張プールから二重コントラスト学習を行うために、クラスタ番号の次元を持つ投影ヘッドからなる対称双対ニューラルネットワークを利用する。
結果として得られたアプローチは、バッチワイズ最適化によってエンドツーエンドでトレーニングされ、大規模なデータで堅牢になり、見当たらないデータに対して優れた一般化能力が得られる。
論文 参考訳(メタデータ) (2021-11-15T17:50:06Z) - Spectral Splitting and Aggregation Network for Hyperspectral Face
Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。
本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。
限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文 参考訳(メタデータ) (2021-08-31T02:13:00Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳(メタデータ) (2020-09-11T05:07:15Z) - Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文 参考訳(メタデータ) (2020-05-12T05:39:10Z)
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。