Fugu-MT 論文翻訳(概要): Deep Diffusion Processes for Active Learning of Hyperspectral Images

論文の概要: Deep Diffusion Processes for Active Learning of Hyperspectral Images

arxiv url: http://arxiv.org/abs/2101.03197v1
Date: Fri, 8 Jan 2021 19:38:54 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 07:38:12.100611
Title: Deep Diffusion Processes for Active Learning of Hyperspectral Images
Title（参考訳）: ハイパースペクトル画像の能動学習のための深い拡散過程
Authors: Abiy Tasissa, Duc Nguyen, James Murphy
Abstract要約: グラフ上の拡散過程と深層学習を組み合わせたハイパースペクトル画像(HSI)の能動的学習法を提案する。深部変分オートエンコーダは高次元HSIからスムースに識別された特徴を抽出し、グラフ拡散プロセスに基づいてラベル付けクエリを作成する。
参考スコア（独自算出の注目度）: 3.9962751777898955
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A method for active learning of hyperspectral images (HSI) is proposed, which combines deep learning with diffusion processes on graphs. A deep variational autoencoder extracts smoothed, denoised features from a high-dimensional HSI, which are then used to make labeling queries based on graph diffusion processes. The proposed method combines the robust representations of deep learning with the mathematical tractability of diffusion geometry, and leads to strong performance on real HSI.
Abstract（参考訳）: 深層学習とグラフ上の拡散過程を組み合わせたハイパースペクトル画像(HSI)の能動的学習法を提案する。深部変分オートエンコーダは高次元HSIからスムースに識別された特徴を抽出し、グラフ拡散プロセスに基づいてラベル付けクエリを作成する。提案手法は,ディープラーニングの頑健な表現と拡散幾何学の数学的トラクタビリティを組み合わせ,実HSI上での強い性能を実現する。

関連論文リスト

Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文参考訳（メタデータ） (2024-03-15T07:18:43Z)
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)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
Deep Posterior Distribution-based Embedding for Hyperspectral Image Super-resolution [75.24345439401166]
本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。 3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2022-05-30T06:59:01Z)
Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
論文参考訳（メタデータ） (2021-11-29T16:42:15Z)
Pyramidal Dense Attention Networks for Lightweight Image Super-Resolution [37.58180059860872]
深部畳み込みニューラルネットワーク法は画像超解像において優れた性能を達成した。軽量画像超解像のためのピラミッド型高密度アテンションネットワーク(PDAN)を提案する。本手法は,最先端の軽量SR法と比較して優れた性能を実現する。
論文参考訳（メタデータ） (2021-06-13T13:49:41Z)
DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
論文参考訳（メタデータ） (2021-03-18T00:38:11Z)
LADMM-Net: An Unrolled Deep Network For Spectral Image Fusion From Compressive Data [6.230751621285322]
ハイパースペクトル(HS)およびマルチスペクトル(MS)画像融合は、低空間分解能HS画像と低スペクトル分解能MS画像から高分解能スペクトル画像を推定することを目的とする。本研究では,HSおよびMS圧縮測定による融合問題の解法として,アルゴリズムアンロール法に基づくディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-03-01T12:04:42Z)
Spectral Response Function Guided Deep Optimization-driven Network for Spectral Super-resolution [20.014293172511074]
本稿では、より深い空間スペクトルを持つ最適化駆動畳み込みニューラルネットワーク(CNN)を提案する。自然およびリモートセンシング画像を含む2種類のデータセットに対する実験により,提案手法のスペクトル強調効果が示された。
論文参考訳（メタデータ） (2020-11-19T07:52:45Z)
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。