論文の概要: A Feature Fusion-Net Using Deep Spatial Context Encoder and
Nonstationary Joint Statistical Model for High Resolution SAR Image
Classification
- arxiv url: http://arxiv.org/abs/2105.04799v1
- Date: Tue, 11 May 2021 06:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:59:20.056102
- Title: A Feature Fusion-Net Using Deep Spatial Context Encoder and
Nonstationary Joint Statistical Model for High Resolution SAR Image
Classification
- Title（参考訳）: 高分解能SAR画像分類のための深部空間文脈エンコーダと非定常結合統計モデルを用いた特徴融合ネット
- Authors: Wenkai Liang, Yan Wu, Ming Li, Peng Zhang, Yice Cao, Xin Hu
- Abstract要約: HR SAR画像に対して, エンドツーエンドの教師付き分類法を提案する。
より効果的な空間特徴を抽出するために,新しい深部空間コンテキストエンコーダネットワーク(DSCEN)を提案する。
統計の多様性を高めるため、非定常連成統計モデル(NS-JSM)が採用され、グローバルな統計特性を形成する。
- 参考スコア（独自算出の注目度）: 10.152675581771113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs) have been applied to learn spatial
features for high-resolution (HR) synthetic aperture radar (SAR) image
classification. However, there has been little work on integrating the unique
statistical distributions of SAR images which can reveal physical properties of
terrain objects, into CNNs in a supervised feature learning framework. To
address this problem, a novel end-to-end supervised classification method is
proposed for HR SAR images by considering both spatial context and statistical
features. First, to extract more effective spatial features from SAR images, a
new deep spatial context encoder network (DSCEN) is proposed, which is a
lightweight structure and can be effectively trained with a small number of
samples. Meanwhile, to enhance the diversity of statistics, the nonstationary
joint statistical model (NS-JSM) is adopted to form the global statistical
features. Specifically, SAR images are transformed into the Gabor wavelet
domain and the produced multi-subbands magnitudes and phases are modeled by the
log-normal and uniform distribution. The covariance matrix is further utilized
to capture the inter-scale and intra-scale nonstationary correlation between
the statistical subbands and make the joint statistical features more compact
and distinguishable. Considering complementary advantages, a feature fusion
network (Fusion-Net) base on group compression and smooth normalization is
constructed to embed the statistical features into the spatial features and
optimize the fusion feature representation. As a result, our model can learn
the discriminative features and improve the final classification performance.
Experiments on four HR SAR images validate the superiority of the proposed
method over other related algorithms.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いて高分解能(HR)合成開口レーダ(SAR)画像分類のための空間的特徴を学習している。
しかし、地形オブジェクトの物理的特性を明らかにすることのできるSAR画像のユニークな統計分布を、教師付き特徴学習フレームワークでCNNに統合する作業はほとんど行われていない。
この問題に対処するために,空間的文脈と統計的特徴の両方を考慮したHR SAR画像に対して,新しいエンドツーエンドの教師付き分類手法を提案する。
まず,sar画像からより効率的な空間特徴を抽出するために,軽量な構造であり,少数のサンプルで効果的に訓練できる新しい深層空間コンテキストエンコーダネットワーク(dscen)を提案する。
一方,統計の多様性を高めるため,非定常ジョイント統計モデル (ns-jsm) を大域的統計特性として採用する。
具体的には、SAR画像をGaborウェーブレット領域に変換し、生成したマルチサブバンドサイズと位相をログ正規分布と均一分布によってモデル化する。
共分散行列はさらに、統計サブバンド間のスケール間およびスケール内非定常相関を捉え、結合統計特徴をよりコンパクトかつ識別可能なものにする。
相補的な利点を考慮し,統計的特徴を空間的特徴に埋め込み,融合特徴表現を最適化するために,グループ圧縮とスムース正規化に基づく機能融合ネットワーク(fusion-net)ベースを構築した。
その結果,識別的特徴を学習し,最終的な分類性能を向上させることができた。
4つのHR SAR画像に対する実験により,提案手法が他のアルゴリズムよりも優れていることを示す。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - 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) - 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) - Learning to Aggregate Multi-Scale Context for Instance Segmentation in
Remote Sensing Images [28.560068780733342]
特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。
提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
論文 参考訳（メタデータ） (2021-11-22T08:55:25Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - Multi-Objective CNN Based Algorithm for SAR Despeckling [1.933681537640272]
本稿では,SAR画像特性を考慮した多目的コスト関数を持つ畳み込みニューラルネットワーク(CNN)を提案する。
シミュレーションおよび実写SAR画像を用いた実験により,提案手法の精度が,Stand-of-Art despecklingアルゴリズムと比較された。
論文 参考訳（メタデータ） (2020-06-16T10:15:42Z) - Image Super-Resolution with Cross-Scale Non-Local Attention and
Exhaustive Self-Exemplars Mining [66.82470461139376]
本稿では,再帰型ニューラルネットワークに統合されたCS-NLアテンションモジュールを提案する。
新しいCS-NLと局所的および非局所的非局所的前駆体を強力な再帰核融合セルで組み合わせることで、単一の低分解能画像内でよりクロススケールな特徴相関を見出すことができる。
論文 参考訳（メタデータ） (2020-06-02T07:08:58Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳（メタデータ） (2020-01-14T03:34:55Z)
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。