論文の概要: Hyperspectral and Multispectral Classification for Coastal Wetland Using
Depthwise Feature Interaction Network
- arxiv url: http://arxiv.org/abs/2106.06896v1
- Date: Sun, 13 Jun 2021 01:56:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 15:42:07.672225
- Title: Hyperspectral and Multispectral Classification for Coastal Wetland Using
Depthwise Feature Interaction Network
- Title（参考訳）: Depthwise Feature Interaction Network を用いた沿岸湿原のハイパースペクトル・マルチスペクトル分類
- Authors: Yunhao Gao, Wei Li, Mengmeng Zhang, Jianbu Wang, Weiwei Sun, Ran Tao,
Qian Du
- Abstract要約: 湿地分類にはDFINet(Deepwise Feature Interaction Network)が提案されている。
DFINetは一貫性損失、識別損失、分類損失の調整によって最適化される。
2つのハイパースペクトルおよびマルチスペクトルウェットランドデータセットの総合的な実験結果から、提案したDFINetは総合的精度で他の競合手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 20.896413926049398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The monitoring of coastal wetlands is of great importance to the protection
of marine and terrestrial ecosystems. However, due to the complex environment,
severe vegetation mixture, and difficulty of access, it is impossible to
accurately classify coastal wetlands and identify their species with
traditional classifiers. Despite the integration of multisource remote sensing
data for performance enhancement, there are still challenges with acquiring and
exploiting the complementary merits from multisource data. In this paper, the
Deepwise Feature Interaction Network (DFINet) is proposed for wetland
classification. A depthwise cross attention module is designed to extract
self-correlation and cross-correlation from multisource feature pairs. In this
way, meaningful complementary information is emphasized for classification.
DFINet is optimized by coordinating consistency loss, discrimination loss, and
classification loss. Accordingly, DFINet reaches the standard solution-space
under the regularity of loss functions, while the spatial consistency and
feature discrimination are preserved. Comprehensive experimental results on two
hyperspectral and multispectral wetland datasets demonstrate that the proposed
DFINet outperforms other competitive methods in terms of overall accuracy.
- Abstract（参考訳）: 海岸湿地のモニタリングは、海洋生態系と陸生態系の保護に非常に重要である。
しかし、複雑な環境や植生の混ざり合い、アクセスの困難さから、沿岸の湿地を正確に分類し、それらの種を伝統的な分類器で識別することは不可能である。
性能向上のためのマルチソースリモートセンシングデータの統合にもかかわらず、マルチソースデータからの補完的なメリットの獲得と活用には依然として課題がある。
本稿では,湿地分類のためのDeepwise Feature Interaction Network (DFINet)を提案する。
深さ方向のクロスアテンションモジュールは、多元特徴ペアから自己相関と相互相関を抽出するように設計されている。
このように分類には有意義な補完的情報が強調される。
DFINetは一貫性損失、識別損失、分類損失の調整によって最適化される。
したがって、DFINetは損失関数の規則性の下で標準解空間に到達し、空間整合性と特徴識別は保存される。
2つのハイパースペクトルおよびマルチスペクトルウェットランドデータセットの総合的な実験結果から、提案したDFINetは総合的精度で他の競合手法よりも優れていることが示された。
関連論文リスト
- Nacala-Roof-Material: Drone Imagery for Roof Detection, Classification, and Segmentation to Support Mosquito-borne Disease Risk Assessment [6.858584004690944]
モザンビークの高解像度ドローン画像を含むNacala-Roof-Materialデータセットをリリースする。
このデータセットは、オブジェクトの検出、分類、セグメンテーションを含むマルチタスクコンピュータビジョン問題を定義する。
それぞれの手法には利点があるが、全てのタスクに勝るものはなく、マルチタスク学習における将来の研究のためのデータセットの可能性を強調している。
論文 参考訳（メタデータ） (2024-06-07T14:07:23Z) - Data-free Knowledge Distillation for Fine-grained Visual Categorization [9.969720644789781]
本稿では,DFKDを細粒度視覚分類(FGVC)タスクに拡張するDFKD-FGVCという手法を提案する。
本研究では,広く使用されている3つのFGVCベンチマーク(Aircraft,Cars196,CUB200)に対するアプローチを評価し,その性能を実証した。
論文 参考訳（メタデータ） (2024-04-18T09:44:56Z) - Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。
半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。
提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
論文 参考訳（メタデータ） (2024-03-11T06:59:05Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR
Data Classification [45.026868970899514]
本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。
具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。
さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
論文 参考訳（メタデータ） (2023-01-09T13:43:54Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。
1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。
多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-18T02:47:21Z) - MARNet: Multi-Abstraction Refinement Network for 3D Point Cloud Analysis [9.34612743192798]
既存のディープラーニング手法では、特徴間の相互作用が限られているため、情報の粒度が異なるため、利用できない。
マルチレベルの特徴間の効果的な情報交換を実現するMARNet(Multi-Abstraction Refinement Network)を提案する。
形状分類と粒度の粗いセマンティックセマンティックセグメンテーションの2つの課題に対して,MARNetの有効性を実証的に示す。
論文 参考訳（メタデータ） (2020-11-02T12:07:35Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z) - Spatial and spectral deep attention fusion for multi-channel speech
separation using deep embedding features [60.20150317299749]
マルチチャネルディープクラスタリング(MDC)は、音声分離に優れた性能を得た。
本研究では,スペクトルおよび空間的特徴の重みを動的に制御し,それらを深く結合するディープ・アテンション・フュージョン法を提案する。
実験結果から,提案手法はMDCベースラインよりも優れ,理想的なバイナリマスク(IBM)よりも優れていた。
論文 参考訳（メタデータ） (2020-02-05T03:49:39Z)
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。