論文の概要: Class-Wise Principal Component Analysis for hyperspectral image feature
extraction
- arxiv url: http://arxiv.org/abs/2104.04496v1
- Date: Fri, 9 Apr 2021 17:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 15:04:58.492311
- Title: Class-Wise Principal Component Analysis for hyperspectral image feature
extraction
- Title(参考訳): ハイパースペクトル画像特徴抽出のためのクラスワイズ主成分分析
- Authors: Dimitra Koumoutsou, Eleni Charou, Georgios Siolas, Giorgos Stamou
- Abstract要約: 本稿では,超スペクトルデータの教師付き特徴抽出法であるクラスワイズ主成分分析について述べる。
次元削減は超スペクトル画像分類タスクを補完する重要な前処理ステップである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces the Class-wise Principal Component Analysis, a
supervised feature extraction method for hyperspectral data. Hyperspectral
Imaging (HSI) has appeared in various fields in recent years, including Remote
Sensing. Realizing that information extraction tasks for hyperspectral images
are burdened by data-specific issues, we identify and address two major
problems. Those are the Curse of Dimensionality which occurs due to the
high-volume of the data cube and the class imbalance problem which is common in
hyperspectral datasets. Dimensionality reduction is an essential preprocessing
step to complement a hyperspectral image classification task. Therefore, we
propose a feature extraction algorithm for dimensionality reduction, based on
Principal Component Analysis (PCA). Evaluations are carried out on the Indian
Pines dataset to demonstrate that significant improvements are achieved when
using the reduced data in a classification task.
- Abstract(参考訳): 本稿では,ハイパースペクトルデータの教師付き特徴抽出法であるクラスワイド主成分分析を提案する。
ハイパースペクトルイメージング(HSI)は,近年,リモートセンシングなど様々な分野に登場している。
ハイパースペクトル画像の情報抽出タスクがデータ固有の問題に負担されることを認識し,2つの大きな問題を特定し,対処する。
これらは、データキューブの大量発生と、超スペクトルデータセットで一般的なクラス不均衡問題によって生じる次元の呪いである。
次元削減は超スペクトル画像分類タスクを補完する重要な前処理ステップである。
そこで本研究では,主成分分析(PCA)に基づく次元削減のための特徴抽出アルゴリズムを提案する。
インドパインズデータセット上で評価を行い、分類タスクで削減されたデータを使用する場合、大幅な改善が達成されることを示す。
関連論文リスト
- Randomized Principal Component Analysis for Hyperspectral Image Classification [0.0]
2つのハイパースペクトルデータセットの分類において,特徴量を20と30に減らした。
最も高い分類精度は、LightGBMによって0.9925と0.9639と得られた。
論文 参考訳(メタデータ) (2024-03-14T05:40:23Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - A Survey of Graph and Attention Based Hyperspectral Image Classification
Methods for Remote Sensing Data [5.1901440366375855]
ハイパースペクトルイメージング(HSI)の分類におけるディープラーニング技術の利用は急速に増加している。
最近の手法では、グラフ畳み込みネットワークの利用と、予測にノード機能を使用するユニークな機能についても検討されている。
論文 参考訳(メタデータ) (2023-10-16T00:42:25Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - Heuristic Hyperparameter Choice for Image Anomaly Detection [0.3867363075280543]
画像の異常検出は、ディープラーニングニューラルネットワークによる基本的なコンピュータビジョン問題である。
モデルは通常、ImageNetのような分類タスクのための大きなデータセットで事前訓練される。
本研究の目的は,これらの特徴に対してNPCA(Negated principal Component Analysis)の次元削減を行うことである。
論文 参考訳(メタデータ) (2023-07-20T19:20:35Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳(メタデータ) (2023-06-14T09:01:50Z) - A novel information gain-based approach for classification and
dimensionality reduction of hyperspectral images [0.0]
本稿では,高スペクトル画像の次元化と分類のための情報ゲインに基づく新しいフィルタ手法を提案する。
ハイパースペクトル帯の選択に基づく特別な戦略が採用され、最も情報性の高いバンドを選択し、無関係でノイズの多いバンドを捨てる。
提案手法は,2つのベンチマークハイパースペクトルデータセット(インド,パヴィア)と3つの競合する手法を用いて比較する。
論文 参考訳(メタデータ) (2022-10-26T20:59:57Z) - New wrapper method based on normalized mutual information for dimension
reduction and classification of hyperspectral images [0.0]
正規化相互情報(NMI)と誤り確率(PE)に基づく新しいラッパー手法を提案する。
NASAのAVIRIS(Airborne Visible/Infrared Imaging Spectrometer Sensor)が捉えた、2つの挑戦的なハイパースペクトルベンチマークデータセットで実験が行われた。
論文 参考訳(メタデータ) (2022-10-25T21:17:11Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - 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。
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。