論文の概要: Triplet-Watershed for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2103.09384v1
• Date: Wed, 17 Mar 2021 01:06:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 12:59:28.803613
• Title: Triplet-Watershed for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のためのトリプレット流域
• Authors: Aditya Challa, Sravan Danda, B.S.Daya Sagar and Laurent Najman
• Abstract要約: 深層学習ネットワークを訓練し,流域分類器に適した表現を得るための新しい手法を提案する。 このような特徴を生かして,三重項流域が最先端の成果を得られることを示す。 結果は、インド松(IP)、パヴィア大学(UP)、ケネディ宇宙センター(KSC)のデータセットで検証される。
• 参考スコア（独自算出の注目度）: 7.285139308970045
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hyperspectral images (HSI) consist of rich spatial and spectral information, which can potentially be used for several applications. However, noise, band correlations and high dimensionality restrict the applicability of such data. This is recently addressed using creative deep learning network architectures such as ResNet, SSRN, and A2S2K. However, the last layer, i.e the classification layer, remains unchanged and is taken to be the softmax classifier. In this article, we propose to use a watershed classifier. Watershed classifier extends the watershed operator from Mathematical Morphology for classification. In its vanilla form, the watershed classifier does not have any trainable parameters. In this article, we propose a novel approach to train deep learning networks to obtain representations suitable for the watershed classifier. The watershed classifier exploits the connectivity patterns, a characteristic of HSI datasets, for better inference. We show that exploiting such characteristics allows the Triplet-Watershed to achieve state-of-art results. These results are validated on Indianpines (IP), University of Pavia (UP), and Kennedy Space Center (KSC) datasets, relying on simple convnet architecture using a quarter of parameters compared to previous state-of-the-art networks.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)は、様々な用途に使用可能な、豊富な空間情報とスペクトル情報から構成される。 しかし、ノイズ、バンド相関、高次元はそのようなデータの適用性を制限する。 これはresnet、ssrn、a2s2kといったクリエイティブなディープラーニングネットワークアーキテクチャを使って最近対処されている。 しかし、最後の層、すなわち分類層は変わらず、softmax分類器として扱われる。 本稿では,流域分類器の利用を提案する。 流域分類器は、分類のために流域演算子を数学的形態学から拡張する。 バニラ形式では、流域分類器は訓練可能なパラメータを持たない。 本稿では,流域分類器に適した表現を得るために,深層学習ネットワークを訓練するための新しい手法を提案する。 流域分類器は、より良い推論のために、HSIデータセットの特徴である接続パターンを利用する。 このような特徴を生かして,三重項流域が最先端の成果を得られることを示す。 これらの結果は、従来の最先端ネットワークに比べて4分の1のパラメータを用いた単純なネットワークアーキテクチャに頼って、Indianpines(IP)、University of Pavia(UP)、ケネディ宇宙センター(KSC)のデータセットで検証される。

関連論文リスト

• Low-Resource Crop Classification from Multi-Spectral Time Series Using Lossless Compressors [6.379065975644869]
  深層学習は多スペクトル時間データを用いた作物分類の精度を大幅に向上させた。 ラベル付きサンプルが少ない低リソース環境では、深層学習モデルは不十分なデータのために性能が悪い。 本稿では,これらの状況に対処するために,ディープラーニングモデルに代わる非学習的代替案を提案する。
  論文  参考訳（メタデータ） (2024-05-28T12:28:12Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Multi-Task Classification of Sewer Pipe Defects and Properties using a Cross-Task Graph Neural Network Decoder [56.673599764041384]
  我々は、新しいデコーダ指向マルチタスク分類アーキテクチャ、クロスタスクグラフニューラルネットワーク(CT-GNN)を提案する。 CT-GNNは、クロスタスク情報を用いてタスクごとの解離予測を洗練する。 我々は,Swer-MLデータセットの4つの分類タスクすべてに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-15T15:36:50Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning [0.0]
  本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。 MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
  論文  参考訳（メタデータ） (2021-04-28T18:12:51Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Hyperbolic Generative Adversarial Network [0.0]
  本稿では、GANアーキテクチャにおける双曲型ニューラルネットワークを用いて、画像に存在する階層的特徴を生かし得ることを提案する。 本研究は, HGAN, HCGAN, HWGANとよばれる, GAN, CGAN, WGANにおいて, 完全に結合した双曲層を用いた異なる構成の試験を行った。
  論文  参考訳（メタデータ） (2021-02-10T16:55:27Z)
• Train your classifier first: Cascade Neural Networks Training from upper layers to lower layers [54.47911829539919]
  我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。 本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。 提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
  論文  参考訳（メタデータ） (2021-02-09T08:19:49Z)
• Reinforcement Learning Based Handwritten Digit Recognition with Two-State Q-Learning [1.8782750537161614]
  本稿では,ディープラーニングと強化学習に基づくハイブリッドアプローチを提案する。 Q-Learningは2つのQ状態と4つのアクションで使用される。 提案手法は,AlexNet,CNN-Nearest Neighbor,CNNSupport Vector Machineなどの現代技術よりも優れている。
  論文  参考訳（メタデータ） (2020-06-28T14:23:36Z)

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。