Fugu-MT 論文翻訳(概要): ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification

論文の概要: ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification

arxiv url: http://arxiv.org/abs/2104.12085v1
Date: Sun, 25 Apr 2021 07:10:55 GMT
ステータス: 処理完了
システム内更新日: 2021-04-27 14:39:13.667307
Title: ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification
Title（参考訳）: ASPCNet:ハイパースペクトル画像分類のための深層適応空間パターンカプセルネットワーク
Authors: Jinping Wang, Xiaojun Tan, Jianhuang Lai, Jun Li, Canqun Xiang
Abstract要約: 本稿では,適応型空間パターンカプセルネットワーク(ASPCNet)アーキテクチャを提案する。拡大された受容体に基づいて畳み込み核のサンプリング位置を回転させることができる。 3つの公開データセットの実験は、ASPCNetが最先端の方法よりも高い精度で競争力を発揮することを示しています。
参考スコア（独自算出の注目度）: 47.541691093680406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Previous studies have shown the great potential of capsule networks for the spatial contextual feature extraction from {hyperspectral images (HSIs)}. However, the sampling locations of the convolutional kernels of capsules are fixed and cannot be adaptively changed according to the inconsistent semantic information of HSIs. Based on this observation, this paper proposes an adaptive spatial pattern capsule network (ASPCNet) architecture by developing an adaptive spatial pattern (ASP) unit, that can rotate the sampling location of convolutional kernels on the basis of an enlarged receptive field. Note that this unit can learn more discriminative representations of HSIs with fewer parameters. Specifically, two cascaded ASP-based convolution operations (ASPConvs) are applied to input images to learn relatively high-level semantic features, transmitting hierarchical structures among capsules more accurately than the use of the most fundamental features. Furthermore, the semantic features are fed into ASP-based conv-capsule operations (ASPCaps) to explore the shapes of objects among the capsules in an adaptive manner, further exploring the potential of capsule networks. Finally, the class labels of image patches centered on test samples can be determined according to the fully connected capsule layer. Experiments on three public datasets demonstrate that ASPCNet can yield competitive performance with higher accuracies than state-of-the-art methods.
Abstract（参考訳）: これまでの研究で、超スペクトル画像(HSIs)から空間的文脈特徴抽出のためのカプセルネットワークの可能性が示された。しかし、カプセルの畳み込み核のサンプリング位置は固定されており、HSIの一貫性のない意味情報に従って適応的に変更することはできない。そこで本稿では,aspcnet(adaptive spatial pattern capsule network)アーキテクチャを提案する。asp(adaptive spatial pattern)ユニットは,畳み込み型カーネルのサンプリング位置を,拡大した受容場に基づいて回転させることができる。このユニットはより少ないパラメータでより識別的なHSI表現を学習できる。具体的には,2つのASPベースの畳み込み操作(ASPConvs)を入力画像に適用し,比較的高レベルの意味的特徴を学習し,カプセル間の階層構造を最も基本的な特徴よりも正確に伝達する。さらに、aspベースのconv-capsule operations(aspcaps)にセマンティックな特徴を与え、カプセル内の物体の形状を適応的に探索し、カプセルネットワークの可能性をさらに探究する。最後に、試験試料を中心とした画像パッチのクラスラベルを、全連結カプセル層に応じて決定することができる。 3つのパブリックデータセットに関する実験により、aspcnetは最先端のメソッドよりも高い精度で競合性能が得られることが示されている。

関連論文リスト

Deep multi-prototype capsule networks [0.3823356975862005]
カプセルネットワーク(Capsule Network)は、画像の部分を特定し、階層的に全体のインスタンス化パラメータを形成するニューラルネットワークの一種である。本稿では,画像部品のバリエーションを表現するためにカプセルネットワークを誘導するマルチプロトタイプアーキテクチャを提案する。 MNIST, SVHN, C-Cube, CEDAR, MCYT, UTSigのデータセットに対する実験結果から, 提案したモデルが画像分類精度で他のモデルよりも優れていることが明らかになった。
論文参考訳（メタデータ） (2024-04-23T18:37:37Z)
DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。提案手法は,HSI分類における最先端手法よりも優れている。
論文参考訳（メタデータ） (2023-04-19T18:32:52Z)
Hybrid Gromov-Wasserstein Embedding for Capsule Learning [24.520120182880333]
Capsule Network (CapsNets) は、オブジェクト、部品、およびそれらの関係を2段階のプロセスで解析することを目的としている。階層的関係モデリングは計算コストが高く、潜在的な利点にもかかわらずCapsNetの利用が制限されている。本稿では,標準ベースラインモデルを超え,高性能な畳み込みモデルよりも優れた性能を示すカプセルの学習手法を提案する。
論文参考訳（メタデータ） (2022-09-01T05:26:32Z)
Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
論文参考訳（メタデータ） (2022-08-08T21:39:26Z)
ME-CapsNet: A Multi-Enhanced Capsule Networks with Routing Mechanism [0.0]
本研究は,各層の受容領域内の空間成分とチャネル成分の両面を高度に最適化する,新たなソリューションの実現に焦点をあてる。我々は, カプセル層を戦略的に通過する前に重要な特徴を抽出するために, より深い畳み込み層を導入し, ME-CapsNetを提案する。より深い畳み込み層にはSqueeze-Excitationネットワークのブロックが含まれており、重要な特徴情報を失うことなく、サンプリングアプローチを使用して相互依存関係を再構築する。
論文参考訳（メタデータ） (2022-03-29T13:29:38Z)
Deformable Capsules for Object Detection [5.819237403145079]
変形可能なカプセル(DeformCaps)、新しいカプセル構造(SplitCaps)、および計算効率と多数のオブジェクトやクラスのモデリングの必要性のバランスをとるための新しい動的ルーティングアルゴリズム(SE-Routing)を紹介します。提案アーキテクチャは1段階検出フレームワークであり,最先端の1段階CNN手法と同等のMS COCOについて結果を得る。
論文参考訳（メタデータ） (2021-04-11T15:36:30Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文参考訳（メタデータ） (2020-07-10T08:08:20Z)
Subspace Capsule Network [85.69796543499021]
SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
論文参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。