論文の概要: 3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2101.04287v1
• Date: Tue, 12 Jan 2021 04:15:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 12:16:30.786114
• Title: 3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification
• Title（参考訳）: 3D-ANAS:高速ハイパースペクトル画像分類のための3次元非対称ニューラルネットワーク探索
• Authors: Haokui Zhang, Chengrong Gong, Yunpeng Bai, Zongwen Bai and Ying Li
• Abstract要約: ハイパースペクトル画像はスペクトルと空間情報を豊富に含み、土地被覆分類において不定の役割を果たす。 近年,ディープラーニング技術に基づいて,有望な性能を示すHSI分類手法が提案されている。 1)ほとんどのディープラーニングモデルのアーキテクチャは手作業で設計されており、専門知識に依存しており、比較的退屈である。
• 参考スコア（独自算出の注目度）: 5.727964191623458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral images involve abundant spectral and spatial information, playing an irreplaceable role in land-cover classification. Recently, based on deep learning technologies, an increasing number of HSI classification approaches have been proposed, which demonstrate promising performance. However, previous studies suffer from two major drawbacks: 1) the architecture of most deep learning models is manually designed, relies on specialized knowledge, and is relatively tedious. Moreover, in HSI classifications, datasets captured by different sensors have different physical properties. Correspondingly, different models need to be designed for different datasets, which further increases the workload of designing architectures; 2) the mainstream framework is a patch-to-pixel framework. The overlap regions of patches of adjacent pixels are calculated repeatedly, which increases computational cost and time cost. Besides, the classification accuracy is sensitive to the patch size, which is artificially set based on extensive investigation experiments. To overcome the issues mentioned above, we firstly propose a 3D asymmetric neural network search algorithm and leverage it to automatically search for efficient architectures for HSI classifications. By analysing the characteristics of HSIs, we specifically build a 3D asymmetric decomposition search space, where spectral and spatial information are processed with different decomposition convolutions. Furthermore, we propose a new fast classification framework, i,e., pixel-to-pixel classification framework, which has no repetitive operations and reduces the overall cost. Experiments on three public HSI datasets captured by different sensors demonstrate the networks designed by our 3D-ANAS achieve competitive performance compared to several state-of-the-art methods, while having a much faster inference speed.
• Abstract（参考訳）: ハイパースペクトル画像はスペクトルと空間情報を豊富に含み、土地被覆分類において不定の役割を果たす。 近年,ディープラーニング技術に基づいて,有望な性能を示すHSI分類手法が提案されている。 しかし、これまでの研究では、1)ほとんどのディープラーニングモデルのアーキテクチャは手作業で設計されており、専門知識に依存しており、比較的退屈である。 さらに、hsi分類では、異なるセンサーによってキャプチャされたデータセットは、物理的特性が異なる。 それに合わせて、異なるモデルをさまざまなデータセット用に設計する必要があるため、アーキテクチャ設計の作業負荷はさらに増加する。 隣接する画素のパッチの重複領域を繰り返し計算し、計算コストと時間コストを増大させる。 さらに、分類精度は広範な調査実験に基づいて人工的に設定されるパッチサイズに敏感である。 上記の問題を克服するため,まず3次元非対称ニューラルネットワーク探索アルゴリズムを提案し,HSI分類のための効率的なアーキテクチャを自動検索する。 hsisの特性を解析することにより、スペクトルと空間の情報を異なる分解畳み込みで処理する3次元非対称分解探索空間を特に構築する。 さらに,反復操作を行わず,全体のコストを低減できる新しい高速分類フレームワーク,すなわち画素から画素への分類フレームワークを提案する。 異なるセンサーによってキャプチャされた3つの公開HSIデータセットの実験では、我々の3D-ANASが設計したネットワークは、最先端のいくつかの手法と比較して競争力を発揮するが、推論速度ははるかに速い。

関連論文リスト

• EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition [54.99121380536659]
  眼球運動バイオメトリックスは、高い安全性の識別により注目されている。 深層学習(DL)モデルは近年,眼球運動認識に成功している。 DLアーキテクチャはまだ人間の事前知識によって決定されている。 眼球運動認識のためのDLアーキテクチャを自動設計する階層的微分可能なアーキテクチャ探索アルゴリズムEM-DARTSを提案する。
  論文  参考訳（メタデータ） (2024-09-22T13:11:08Z)
• SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
  本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。 本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
  論文  参考訳（メタデータ） (2023-06-28T22:36:44Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• Grafting Transformer on Automatically Designed Convolutional Neural Network for Hyperspectral Image Classification [7.606096775949237]
  ハイパースペクトル画像(HSI)分類は意思決定のホットトピックである。 ディープラーニングに基づくHSI分類法は有望な性能を達成した。 HSI分類のために、いくつかのニューラルアーキテクチャサーチ(NAS)アルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2021-10-21T11:51:51Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• 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)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)
• A Fast 3D CNN for Hyperspectral Image Classification [0.456877715768796]
  ハイパースペクトルイメージング(HSI)は、多くの現実世界の用途に広く利用されている。 2次元畳み込みニューラルネットワーク(CNN)は、HSICがスペクトル空間情報の両方に大きく依存する、実行可能なアプローチである。 本研究は,空間スペクトル特徴写像を併用した3次元CNNモデルを提案する。
  論文  参考訳（メタデータ） (2020-04-29T12:57:36Z)
• 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)

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。