論文の概要: SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising

• arxiv url: http://arxiv.org/abs/2105.10949v1
• Date: Sun, 23 May 2021 14:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 08:26:18.413948
• Title: SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising
• Title（参考訳）: sscan : ハイパースペクトル画像デノージングのための空間スペクトルクロスアテンションネットワーク
• Authors: Zhiqiang Wang, Zhenfeng Shao, Xiao Huang, Jiaming Wang, Tao Lu, Sihang Zhang
• Abstract要約: 本稿では,グループ畳み込みとアテンションモジュールを組み合わせた新しいHSIデノベーションネットワークSSCANを提案する。 ハイパースペクトル画像における空間情報とスペクトル情報を有効利用するためのスペクトル空間アテンションブロック(SSAB)を提案する。 実験結果から,提案したSSCANは,最先端のHSI復調アルゴリズムよりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 12.873607414761093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral images (HSIs) have been widely used in a variety of applications thanks to the rich spectral information they are able to provide. Among all HSI processing tasks, HSI denoising is a crucial step. Recently, deep learning-based image denoising methods have made great progress and achieved great performance. However, existing methods tend to ignore the correlations between adjacent spectral bands, leading to problems such as spectral distortion and blurred edges in denoised results. In this study, we propose a novel HSI denoising network, termed SSCAN, that combines group convolutions and attention modules. Specifically, we use a group convolution with a spatial attention module to facilitate feature extraction by directing models' attention to band-wise important features. We propose a spectral-spatial attention block (SSAB) to exploit the spatial and spectral information in hyperspectral images in an effective manner. In addition, we adopt residual learning operations with skip connections to ensure training stability. The experimental results indicate that the proposed SSCAN outperforms several state-of-the-art HSI denoising algorithms.
• Abstract（参考訳）: ハイパースペクトル画像(hsis)は、それらが提供できる豊富なスペクトル情報のおかげで、様々なアプリケーションで広く使われている。 すべてのhsi処理タスクの中で、hsiデノイジングは重要なステップである。 近年,深層学習に基づく画像復号化手法が大きく進歩し,性能も向上している。 しかし、既存の手法では隣接するスペクトルバンド間の相関を無視する傾向があり、分断結果のスペクトル歪みやぼやけたエッジといった問題を引き起こす。 本研究では,グループ畳み込みとアテンションモジュールを組み合わせた新しいhsiデノージングネットワークであるsscanを提案する。 具体的には,空間的注意モジュールを用いたグループ畳み込みを用いて,モデルの注意を帯域毎の重要な特徴に向けることで特徴抽出を容易にする。 ハイパースペクトル画像における空間情報とスペクトル情報を有効利用するためのスペクトル空間アテンションブロック(SSAB)を提案する。 さらに、トレーニング安定性を確保するために、スキップ接続による残差学習操作を採用する。 実験の結果,提案したSSCANは最先端のHSI復調アルゴリズムよりも優れていた。

関連論文リスト

• Hybrid Spatial-spectral Neural Network for Hyperspectral Image Denoising [10.588958070064916]
  本稿では,CNNとTransformer特性にインスパイアされたハイブリッド空間スペクトル復調ネットワークを提案する。 提案手法は空間的およびスペクトル的再構成における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-13T03:27:01Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks [15.700048595212051]
  相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。 モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。 合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-15T06:57:43Z)
• 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)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Spatial-Spectral Transformer for Hyperspectral Image Denoising [31.86587556847128]
  ハイパースペクトル画像(HSI)は、その後のHSIアプリケーションにとって重要な前処理手順である。 既存の畳み込みに基づく手法は、HSIの非局所特性をモデル化する計算効率と能力のトレードオフに直面している。 この問題を軽減するための空間スペクトル変換器(SST)を提案する。
  論文  参考訳（メタデータ） (2022-11-25T13:18:45Z)
• Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks [51.15952040322895]
  ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。 M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。 HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T23:28:18Z)
• 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)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。