論文の概要: Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing
- arxiv url: http://arxiv.org/abs/2103.01449v1
- Date: Tue, 2 Mar 2021 03:32:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 12:57:22.540224
- Title: Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing
- Title（参考訳）: 解釈可能なハイパースペクトルAI:非凸モデリングがハイパースペクトルリモートセンシングに合うとき
- Authors: Danfeng Hong and Wei He and Naoto Yokoya and Jing Yao and Lianru Gao
and Liangpei Zhang and Jocelyn Chanussot and Xiao Xiang Zhu
- Abstract要約: ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。
このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
- 参考スコア（独自算出の注目度）: 57.52865154829273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral imaging, also known as image spectrometry, is a landmark
technique in geoscience and remote sensing (RS). In the past decade, enormous
efforts have been made to process and analyze these hyperspectral (HS) products
mainly by means of seasoned experts. However, with the ever-growing volume of
data, the bulk of costs in manpower and material resources poses new challenges
on reducing the burden of manual labor and improving efficiency. For this
reason, it is, therefore, urgent to develop more intelligent and automatic
approaches for various HS RS applications. Machine learning (ML) tools with
convex optimization have successfully undertaken the tasks of numerous
artificial intelligence (AI)-related applications. However, their ability in
handling complex practical problems remains limited, particularly for HS data,
due to the effects of various spectral variabilities in the process of HS
imaging and the complexity and redundancy of higher dimensional HS signals.
Compared to the convex models, non-convex modeling, which is capable of
characterizing more complex real scenes and providing the model
interpretability technically and theoretically, has been proven to be a
feasible solution to reduce the gap between challenging HS vision tasks and
currently advanced intelligent data processing models.
- Abstract（参考訳）: ハイパースペクトルイメージング(hyperspectral imaging)は、地球科学とリモートセンシング(rs)における画期的な技術である。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を処理および分析するための膨大な努力が行われています。
しかし、データ量の増加に伴い、人力と材料資源のコストの大部分は、手作業の負担軽減と効率の向上に新たな課題をもたらしている。
そのため、様々なHS RSアプリケーションに対してよりインテリジェントで自動的なアプローチを開発することが急務である。
凸最適化を備えた機械学習(ML)ツールは、多数の人工知能(AI)関連アプリケーションのタスクに成功しました。
しかし、HSイメージングの過程における様々なスペクトル変動の影響と高次元HS信号の複雑さと冗長性により、複雑な実用的問題を扱う能力は限定的であり、特にHSデータでは限られている。
凸モデルと比較して、より複雑な実シーンを特徴付け、技術的・理論的にモデル解釈可能性を提供する非凸モデリングは、難解なHSビジョンタスクと現在の高度なインテリジェントデータ処理モデルとのギャップを減らすための実現可能な解決策であることが証明されている。
関連論文リスト
- HRVMamba: High-Resolution Visual State Space Model for Dense Prediction [60.80423207808076]
効率的なハードウェアを意識した設計のステートスペースモデル(SSM)は、コンピュータビジョンタスクにおいて大きな可能性を証明している。
これらのモデルは、誘導バイアスの不足、長距離の忘れ、低解像度の出力表現の3つの主要な課題によって制約されている。
本稿では, 変形可能な畳み込みを利用して, 長距離忘れ問題を緩和する動的ビジュアル状態空間(DVSS)ブロックを提案する。
また,DVSSブロックに基づく高分解能視覚空間モデル(HRVMamba)を導入し,プロセス全体を通して高分解能表現を保存する。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。
特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。
スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
論文 参考訳（メタデータ） (2024-06-17T13:22:58Z) - Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳（メタデータ） (2024-06-11T13:34:57Z) - A Comprehensive Survey for Hyperspectral Image Classification: The Evolution from Conventional to Transformers and Mamba Models [25.18873183963132]
ハイパースペクトル画像分類(HSC)は、HSデータの高次元性と複雑な性質のため、重要な課題を提示する。
ディープラーニング(DL)技術は、これらの課題に対処するための堅牢なソリューションとして現れています。
我々は,HSCのためのDLにおける重要な概念,方法論,および最先端のアプローチを体系的に検討した。
論文 参考訳（メタデータ） (2024-04-23T12:00:20Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - PhySRNet: Physics informed super-resolution network for application in
computational solid mechanics [0.0]
本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。
高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
論文 参考訳（メタデータ） (2022-06-30T17:51:50Z) - Tensor Decompositions for Hyperspectral Data Processing in Remote
Sensing: A Comprehensive Review [85.36368666877412]
ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。
近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。
3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
論文 参考訳（メタデータ） (2022-05-13T00:39:23Z) - AP-MTL: Attention Pruned Multi-task Learning Model for Real-time
Instrument Detection and Segmentation in Robot-assisted Surgery [23.33984309289549]
高解像度画像の検出とセグメンテーションのためのリアルタイムロボットシステムの訓練は、限られた計算資源で難しい問題となる。
重み付きエンコーダとタスク認識検出とセグメンテーションデコーダを備えた,エンドツーエンドのトレーニング可能なリアルタイムマルチタスク学習モデルを開発した。
我々のモデルは最先端のセグメンテーションモデルや検出モデルよりも優れており、最も優れたモデルもその課題である。
論文 参考訳（メタデータ） (2020-03-10T14:24:51Z)
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。