論文の概要: Generalized Unsupervised Clustering of Hyperspectral Images of
Geological Targets in the Near Infrared
- arxiv url: http://arxiv.org/abs/2106.13315v1
- Date: Thu, 24 Jun 2021 21:05:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 12:59:12.966731
- Title: Generalized Unsupervised Clustering of Hyperspectral Images of
Geological Targets in the Near Infrared
- Title（参考訳）: 近赤外域における地質ターゲットの超スペクトル画像の一般教師なしクラスタリング
- Authors: Angela F. Gao, Brandon Rasmussen, Peter Kulits, Eva L. Scheller,
Rebecca Greenberger, Bethany L. Ehlmann
- Abstract要約: スペクトルに類似した物質のクラスター化と分類は、しばしば、地球上の経済鉱物探査から火星での惑星探査まで、応用の第一歩である。
ここでは、専門的なスペクトル地質学者の入力と量的指標の両方から情報を得た特徴抽出とクラスタリングのための、完全に教師なしのワークフローを開発する。
このパイプラインは、類似の地質資料の高速かつ正確なクラスタリングマップを提供し、実験室の画像とリモートセンシング画像の両方の主要な鉱物クラスを一貫して識別し、分離する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of infrared hyperspectral imagery to geological problems is
becoming more popular as data become more accessible and cost-effective.
Clustering and classifying spectrally similar materials is often a first step
in applications ranging from economic mineral exploration on Earth to planetary
exploration on Mars. Semi-manual classification guided by expertly developed
spectral parameters can be time consuming and biased, while supervised methods
require abundant labeled data and can be difficult to generalize. Here we
develop a fully unsupervised workflow for feature extraction and clustering
informed by both expert spectral geologist input and quantitative metrics. Our
pipeline uses a lightweight autoencoder followed by Gaussian mixture modeling
to map the spectral diversity within any image. We validate the performance of
our pipeline at submillimeter-scale with expert-labelled data from the Oman
ophiolite drill core and evaluate performance at meters-scale with partially
classified orbital data of Jezero Crater on Mars (the landing site for the
Perseverance rover). We additionally examine the effects of various
preprocessing techniques used in traditional analysis of hyperspectral imagery.
This pipeline provides a fast and accurate clustering map of similar geological
materials and consistently identifies and separates major mineral classes in
both laboratory imagery and remote sensing imagery. We refer to our pipeline as
"Generalized Pipeline for Spectroscopic Unsupervised clustering of Minerals
(GyPSUM)."
- Abstract（参考訳）: 赤外線ハイパースペクトル画像の地質問題への応用は、データがよりアクセスしやすく、費用対効果が高まるにつれて、より普及しつつある。
スペクトル類似の物質のクラスタリングと分類は、しばしば、地球での経済鉱物探査から火星での惑星探査まで、応用の第一段階である。
専門的に開発されたスペクトルパラメータで導かれる半手的分類は時間と偏りがあり、教師付き手法は豊富なラベル付きデータを必要とし、一般化が困難である。
本稿では,専門家のスペクトル地質学者の入力と定量的指標から情報を得た特徴抽出とクラスタリングの完全教師なしワークフローを開発する。
我々のパイプラインでは、任意の画像内のスペクトルの多様性をマッピングするために、軽量なオートエンコーダとガウス混合モデルを用いています。
我々は,オマーン・オフィオライト・ドリルコアから得られた専門的なデータを用いてサブミリスケールでのパイプラインの性能を検証し,火星のジェゼロ・クレーターの軌道データ(パーセヴァンス・ローバーの着陸地点)を用いてメートルスケールでの性能を評価する。
さらに, 従来のハイパースペクトル画像解析における各種前処理技術の効果について検討する。
このパイプラインは、類似の地質資料の高速かつ正確なクラスタリングマップを提供し、実験室の画像とリモートセンシング画像の両方の主要な鉱物クラスを一貫して識別し、分離する。
我々はこのパイプラインを「鉱物のスペクトル非教師なしクラスタリング(gypsum)の一般化パイプライン」と呼んでいる。
関連論文リスト
- Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。
その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。
我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
論文 参考訳（メタデータ） (2024-07-05T13:45:11Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳（メタデータ） (2023-12-18T11:37:19Z) - Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques [0.6384650391969042]
本稿では,大規模ハイパースペクトル画像に対するスペクトル表現学習と分類において重要な課題に対処するToulouse Hyperspectral Data Setについて述べる。
我々は,Masked Autoencoderを含むスペクトル表現学習のための自己指導的手法を議論し,また,総合精度85%,F1スコア77%を達成できる画素単位の分類基準を確立する。
論文 参考訳（メタデータ） (2023-11-15T10:49:15Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳（メタデータ） (2023-06-14T09:01:50Z) - Semi-Automated Segmentation of Geoscientific Data Using Superpixels [4.035753155957697]
地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-20T19:21:46Z) - Unsupervised ore/waste classification on open-cut mine faces using
close-range hyperspectral data [1.8111829286068908]
地雷面のスペクトルの教師なしマッピングのためのパイプラインを提案する。
提案したパイプラインは、鉱山の表面にミネラルをマッピングする統一システムにおいて、教師なしと自己教師付きのアルゴリズムを結合する。
マッピング機能の一貫性は、2つの異なる時間で取得されたデータを用いて実証される。
論文 参考訳（メタデータ） (2023-02-09T21:03:03Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - 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) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳（メタデータ） (2020-09-11T05:07:15Z)
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。