論文の概要: A Spectral-Spatial-Dependent Global Learning Framework for Insufficient
and Imbalanced Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2105.14327v1
- Date: Sat, 29 May 2021 15:39:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 17:15:22.586448
- Title: A Spectral-Spatial-Dependent Global Learning Framework for Insufficient
and Imbalanced Hyperspectral Image Classification
- Title(参考訳): スペクトル空間依存型超スペクトル画像分類のためのグローバル学習フレームワーク
- Authors: Qiqi Zhu, Weihuan Deng, Zhuo Zheng, Yanfei Zhong, Qingfeng Guan,
Weihua Lin, Liangpei Zhang, and Deren Li
- Abstract要約: グローバル畳み込み長短期記憶(GCL)とグローバル共同注意機構(GJAM)に基づくスペクトル空間依存型グローバルラーニング(SSDGL)フレームワーク
SSDGLは、不十分で不均衡なサンプル問題において強力な性能を有し、他の最先端の手法よりも優れている。
- 参考スコア(独自算出の注目度): 16.93904035334754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning techniques have been widely applied to hyperspectral image
(HSI) classification and have achieved great success. However, the deep neural
network model has a large parameter space and requires a large number of
labeled data. Deep learning methods for HSI classification usually follow a
patchwise learning framework. Recently, a fast patch-free global learning
(FPGA) architecture was proposed for HSI classification according to global
spatial context information. However, FPGA has difficulty extracting the most
discriminative features when the sample data is imbalanced. In this paper, a
spectral-spatial dependent global learning (SSDGL) framework based on global
convolutional long short-term memory (GCL) and global joint attention mechanism
(GJAM) is proposed for insufficient and imbalanced HSI classification. In
SSDGL, the hierarchically balanced (H-B) sampling strategy and the weighted
softmax loss are proposed to address the imbalanced sample problem. To
effectively distinguish similar spectral characteristics of land cover types,
the GCL module is introduced to extract the long short-term dependency of
spectral features. To learn the most discriminative feature representations,
the GJAM module is proposed to extract attention areas. The experimental
results obtained with three public HSI datasets show that the SSDGL has
powerful performance in insufficient and imbalanced sample problems and is
superior to other state-of-the-art methods. Code can be obtained at:
https://github.com/dengweihuan/SSDGL.
- Abstract(参考訳): 深層学習技術はハイパースペクトル画像(HSI)分類に広く応用されており、大きな成功を収めている。
しかし、ディープニューラルネットワークモデルは大きなパラメータ空間を持ち、大量のラベル付きデータを必要とする。
HSI分類のためのディープラーニング手法は通常、パッチワイズ学習フレームワークに従う。
近年,グローバル空間情報に基づくHSI分類のために,高速なパッチフリーグローバルラーニング(FPGA)アーキテクチャが提案されている。
しかし、FPGAはサンプルデータが不均衡である場合に最も識別性の高い特徴を抽出することが困難である。
本稿では,グローバル畳み込み型長期記憶(gcl)とグローバル・ジョイント・アテンション・メカニズム(gjam)に基づくスペクトル空間依存型グローバル・ラーニング(ssdgl)フレームワークを提案する。
SSDGLでは,不均衡なサンプル問題に対処するために,階層的バランス(H-B)サンプリング戦略と重み付きソフトマックス損失を提案する。
土地被覆型の類似スペクトル特性を効果的に識別するために,GCLモジュールを導入し,スペクトル特性の長期依存性を抽出した。
最も識別性の高い特徴表現を学習するために、GJAMモジュールは注意領域を抽出するために提案される。
3つのhsiデータセットを用いて得られた実験結果は、ssdglが不十分かつ不均衡なサンプル問題において強力な性能を有し、他の最先端手法よりも優れていることを示している。
コードは、https://github.com/dengweihuan/SSDGLで取得できる。
関連論文リスト
- Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。
まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。
次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文 参考訳(メタデータ) (2024-03-04T07:40:55Z) - Scalable manifold learning by uniform landmark sampling and constrained
locally linear embedding [0.6144680854063939]
本研究では,大規模・高次元データを効率的に操作できるスケーラブルな多様体学習法を提案する。
異なるタイプの合成データセットと実世界のベンチマークにおけるSCMLの有効性を実証的に検証した。
scMLはデータサイズや埋め込み次元の増大とともにスケールし、グローバル構造を保存する上で有望なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-02T08:43:06Z) - Kernel-based Joint Multiple Graph Learning and Clustering of Graph
Signals [2.4305626489408465]
本稿では, Kernel-based Joint Multiple GL and clustering of graph signal applicationを紹介する。
実験により、KMGLは、特に高騒音レベルのシナリオにおいて、GLクラスタリングの堅牢性を大幅に向上することが示された。
これらの知見は,様々な実世界のアプリケーションにおいて,グラフ信号処理法の性能向上のためのKMGLの可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-10-29T13:41:12Z) - Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳(メタデータ) (2023-08-31T12:12:30Z) - 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) - Hyperspectral Image Analysis with Subspace Learning-based One-Class
Classification [18.786429304405097]
ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。
本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。
このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。
LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
論文 参考訳(メタデータ) (2023-04-19T15:17:05Z) - Masked Spatial-Spectral Autoencoders Are Excellent Hyperspectral
Defenders [15.839321488352535]
本研究では,HSI解析システムのロバスト性を高めるマスク付き空間スペクトルオートエンコーダ(MSSA)を提案する。
限定ラベル付きサンプルの防衛伝達性の向上と課題に対処するため,MSSAはプリテキストタスクとしてスペクトル再構成を採用している。
3つのベンチマークの総合的な実験は、最先端のハイパースペクトル分類法と比較してMSSAの有効性を検証する。
論文 参考訳(メタデータ) (2022-07-16T01:33:13Z) - 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) - FPGA: Fast Patch-Free Global Learning Framework for Fully End-to-End
Hyperspectral Image Classification [20.521413406394572]
ハイパースペクトル画像(HSI)分類のための高速パッチフリーグローバルラーニング(FPGA)フレームワークを提案する。
FCNアーキテクチャのより良い設計のために,グローバル空間情報の活用を最大化するためにFreeNetを提案する。
論文 参考訳(メタデータ) (2020-11-11T09:59:48Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳(メタデータ) (2020-09-19T09:26:20Z) - 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)
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。