論文の概要: Fusion of Dual Spatial Information for Hyperspectral Image
Classification
- arxiv url: http://arxiv.org/abs/2010.12337v1
- Date: Fri, 23 Oct 2020 12:20:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 00:21:59.680803
- Title: Fusion of Dual Spatial Information for Hyperspectral Image
Classification
- Title(参考訳): 双対空間情報の融合によるハイパースペクトル画像分類
- Authors: Puhong Duan and Pedram Ghamisi and Xudong Kang and Behnood Rasti and
Shutao Li and Richard Gloaguen
- Abstract要約: 双対空間情報の融合を利用した新しいハイパースペクトル画像分類フレームワークを提案する。
異なるシーンの3つのデータセットで行った実験は、提案手法が他の最先端の分類手法よりも優れていることを示している。
- 参考スコア(独自算出の注目度): 26.304992631350114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The inclusion of spatial information into spectral classifiers for
fine-resolution hyperspectral imagery has led to significant improvements in
terms of classification performance. The task of spectral-spatial hyperspectral
image classification has remained challenging because of high intraclass
spectrum variability and low interclass spectral variability. This fact has
made the extraction of spatial information highly active. In this work, a novel
hyperspectral image classification framework using the fusion of dual spatial
information is proposed, in which the dual spatial information is built by both
exploiting pre-processing feature extraction and post-processing spatial
optimization. In the feature extraction stage, an adaptive texture smoothing
method is proposed to construct the structural profile (SP), which makes it
possible to precisely extract discriminative features from hyperspectral
images. The SP extraction method is used here for the first time in the remote
sensing community. Then, the extracted SP is fed into a spectral classifier. In
the spatial optimization stage, a pixel-level classifier is used to obtain the
class probability followed by an extended random walker-based spatial
optimization technique. Finally, a decision fusion rule is utilized to fuse the
class probabilities obtained by the two different stages. Experiments performed
on three data sets from different scenes illustrate that the proposed method
can outperform other state-of-the-art classification techniques. In addition,
the proposed feature extraction method, i.e., SP, can effectively improve the
discrimination between different land covers.
- Abstract(参考訳): ファインレゾリューションハイパースペクトル画像のためのスペクトル分類器への空間情報の導入は、分類性能の大幅な改善をもたらした。
スペクトル-空間超スペクトル画像分類の課題は、高いクラス内スペクトル変動と低いクラス間スペクトル変動のため、いまだに困難である。
この事実は空間情報の抽出を活発にしている。
本研究では,前処理特徴抽出と後処理空間最適化の両方を利用して,両空間情報の融合を利用した新しいハイパースペクトル画像分類フレームワークを提案する。
特徴抽出段階において,高スペクトル画像から識別的特徴を正確に抽出できる構造プロファイル(SP)を構築するために,適応的なテクスチャ平滑化法を提案する。
リモートセンシングコミュニティでは,SP抽出法が初めて使用される。
そして、抽出したspをスペクトル分類器に供給する。
空間最適化段階では、クラス確率を得るために画素レベル分類器を使用し、拡張ランダムウォーカに基づく空間最適化手法を用いる。
最後に、2つの異なる段階から得られるクラス確率を融合するために、決定融合規則を用いる。
異なるシーンからの3つのデータセットで行った実験は、提案手法が他の最先端の分類手法より優れていることを示している。
また,提案する特徴抽出法であるspは,異なる土地被覆の識別を効果的に改善することができる。
関連論文リスト
- 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) - 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) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳(メタデータ) (2023-06-14T09:01:50Z) - SpectralDiff: A Generative Framework for Hyperspectral Image
Classification with Diffusion Models [18.391049303136715]
拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。
SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。
3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
論文 参考訳(メタデータ) (2023-04-12T16:32:34Z) - 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) - Superpixel-guided Discriminative Low-rank Representation of
Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。
3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文 参考訳(メタデータ) (2021-08-25T10:47:26Z) - Subspace-Based Feature Fusion From Hyperspectral And Multispectral Image
For Land Cover Classification [17.705966155216945]
画素分類のためのハイパースペクトル(HS)とマルチスペクトル(MS)画像からの特徴融合法を提案する。
提案手法は,まず形状プロファイルを用いてMS画像から空間的特徴を抽出する。
特徴融合問題を効率的に解くために、交互最適化(AO)と乗算器の交互方向法(ADMM)を組み合わせたアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-02-22T17:59:18Z) - 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) - A Novel Spatial-Spectral Framework for the Classification of
Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。
提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文 参考訳(メタデータ) (2020-07-22T16:12:08Z) - 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) - 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。