論文の概要: Multi-temporal and multi-source remote sensing image classification by
nonlinear relative normalization
- arxiv url: http://arxiv.org/abs/2012.04469v1
- Date: Mon, 7 Dec 2020 08:46:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:47:33.706185
- Title: Multi-temporal and multi-source remote sensing image classification by
nonlinear relative normalization
- Title（参考訳）: 非線形相対正規化によるマルチ時間・マルチソースリモートセンシング画像分類
- Authors: Devis Tuia, Diego Marcos, Gustau Camps-Valls
- Abstract要約: emカーネル化により,異なるドメインのデータを非線形に整列する手法を検討する。
我々は,超スペクトルイメージングのためのシャドウイングに不変なモデルを作成する作業に加えて,多時間的および多元的超高分解能分類タスクにおいてkemaのテストに成功した。
- 参考スコア（独自算出の注目度）: 17.124438150480326
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Remote sensing image classification exploiting multiple sensors is a very
challenging problem: data from different modalities are affected by spectral
distortions and mis-alignments of all kinds, and this hampers re-using models
built for one image to be used successfully in other scenes. In order to adapt
and transfer models across image acquisitions, one must be able to cope with
datasets that are not co-registered, acquired under different illumination and
atmospheric conditions, by different sensors, and with scarce ground
references. Traditionally, methods based on histogram matching have been used.
However, they fail when densities have very different shapes or when there is
no corresponding band to be matched between the images. An alternative builds
upon \emph{manifold alignment}. Manifold alignment performs a multidimensional
relative normalization of the data prior to product generation that can cope
with data of different dimensionality (e.g. different number of bands) and
possibly unpaired examples. Aligning data distributions is an appealing
strategy, since it allows to provide data spaces that are more similar to each
other, regardless of the subsequent use of the transformed data. In this paper,
we study a methodology that aligns data from different domains in a nonlinear
way through {\em kernelization}. We introduce the Kernel Manifold Alignment
(KEMA) method, which provides a flexible and discriminative projection map,
exploits only a few labeled samples (or semantic ties) in each domain, and
reduces to solving a generalized eigenvalue problem. We successfully test KEMA
in multi-temporal and multi-source very high resolution classification tasks,
as well as on the task of making a model invariant to shadowing for
hyperspectral imaging.
- Abstract（参考訳）: 複数のセンサーを利用するリモートセンシング画像分類は非常に難しい問題であり、様々なモダリティのデータは、あらゆる種類のスペクトル歪みや誤配の影響を受けており、このハマーは、1つの画像が他のシーンでうまく使われるように構築されたモデルを再利用する。
画像取得にまたがるモデルの適用と転送のためには、異なる照明や大気条件下で、異なるセンサーによって取得され、少ない地上参照で、共登録されていないデータセットに対応できなければならない。
伝統的にヒストグラムマッチングに基づく手法が用いられている。
しかし、密度が非常に異なる場合や、画像間に対応するバンドが存在しない場合に失敗する。
代替案は \emph{manifold alignment} に基づいている。
多様体アライメントは、生成前にデータの多次元相対正規化を行い、異なる次元のデータに対応できる(例えば、)。
バンドの数が異なる) あるいはおそらく無傷の例です
データ分散の調整は、変換されたデータのその後の使用にかかわらず、互いに類似したデータ空間を提供することができるため、魅力的な戦略である。
本稿では, 異なる領域からのデータを, {\emカーネル化を通じて非線形に整列させる手法について検討する。
本稿では,Kernel Manifold Alignment (KEMA)法を紹介し,フレキシブルかつ識別可能なプロジェクションマップを提供し,各領域のラベル付きサンプル(あるいはセマンティックな結びつき)のみを利用して,一般化固有値問題を解く。
我々は,超スペクトルイメージングのためのシャドウイングに不変なモデルを作成する作業に加えて,多時間的および多元的超高分解能分類タスクにおいてkemaのテストに成功した。
関連論文リスト
- Unsupervised Homography Estimation on Multimodal Image Pair via Alternating Optimization [32.78378595686787]
2つの画像間のホモグラフィーを推定することは、中高レベルの視覚タスクに不可欠である。
マルチモーダル画像対におけるホモグラフィーを推定するための教師なし学習フレームワークAltOを提案する。
論文 参考訳（メタデータ） (2024-11-20T04:56:19Z) - OsmLocator: locating overlapping scatter marks with a non-training
generative perspective [48.50108853199417]
重複するマークの配置には、テクスチャの欠如、文脈の少ない情報、ハロー形状、小さなサイズなど、多くの困難がある。
ここでは、クラスタリングに基づく再視覚化の最適化問題として、非学習的生成の観点から定式化する。
特に,異なるマーカーと様々な重なり合いの重なり合いを持つ何百もの散乱画像を含む2023というデータセットを構築し,提案手法を既存の手法と比較した。
論文 参考訳（メタデータ） (2023-12-18T12:39:48Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。
単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。
本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
論文 参考訳（メタデータ） (2022-10-12T16:18:25Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳（メタデータ） (2021-06-08T00:30:43Z) - Multi-Perspective Anomaly Detection [3.3511723893430476]
我々は,ディープサポートベクトルデータ記述アルゴリズムを構築し,マルチパースペクティブな異常検出に対処する。
我々は、少ない一級データを扱うために、デノナイジングプロセスで異なる拡張手法を採用する。
2つの異なる視点からの画像を用いて新しいダイスデータセットのアプローチを評価し、標準MNISTデータセットのベンチマークを行った。
論文 参考訳（メタデータ） (2021-05-20T17:07:36Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - Semisupervised Manifold Alignment of Multimodal Remote Sensing Images [12.833370786407668]
本稿では,リモートセンシング画像の異なるモダリティ(領域)の多様体アライメント手法を提案する。
提案された半教師付きマニホールドアライメント(SS-MA)法は、そのマニホールド上で直接動作するイメージをアライメントする。
おもちゃの例と実多角・多時間・多ソース画像分類問題におけるSS-MAの性能について検討する。
論文 参考訳（メタデータ） (2021-04-15T22:20:31Z) - Variational Clustering: Leveraging Variational Autoencoders for Image
Clustering [8.465172258675763]
変分オートエンコーダ(VAE)は、潜在空間におけるデータ分布の学習に自然に役立ちます。
画像のクラスタリングに先立ってガウス混合を用いるVAEに基づく手法を提案する。
提案手法は,画像の潜伏分布と後部を捉える前処理を同時に学習し,データポイント間の識別に役立てる。
論文 参考訳（メタデータ） (2020-05-10T09:34:48Z)
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。