論文の概要: On Hyperspectral Unmixing
- arxiv url: http://arxiv.org/abs/2106.14177v1
- Date: Sun, 27 Jun 2021 09:30:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:55:14.493904
- Title: On Hyperspectral Unmixing
- Title（参考訳）: ハイパースペクトルアンミックスについて
- Authors: Wing-Kin Ma
- Abstract要約: 著者はJos'e Bioucas-Dias氏のハイパースペクトルアンミックス(HU)への重要な貢献をレビューしている。
本稿では、Jos'e Bioucas-Dias氏のハイパースペクトルアンミックス(HU)に対する重要な貢献についてレビューする。
- 参考スコア（独自算出の注目度）: 25.389709949084814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article the author reviews Jos\'e Bioucas-Dias' key contributions to
hyperspectral unmixing (HU), in memory of him as an influential scholar and for
his many beautiful ideas introduced to the hyperspectral community. Our story
will start with vertex component analysis (VCA) -- one of the most celebrated
HU algorithms, with more than 2,000 Google Scholar citations. VCA was
pioneering, invented at a time when HU research just began to emerge, and it
shows sharp insights on a then less-understood subject. Then we will turn to
SISAL, another widely-used algorithm. SISAL is not only a highly successful
algorithm, it is also a demonstration of its inventor's ingenuity on applied
optimization and on smart formulation for practical noisy cases. Our tour will
end with dependent component analysis (DECA), perhaps a less well-known
contribution. DECA adopts a statistical inference framework, and the author's
latest research indicates that such framework has great potential for further
development, e.g., there are hidden connections between SISAL and DECA. The
development of DECA shows foresight years ahead, in that regard.
- Abstract（参考訳）: 本稿では、Jos\'e Bioucas-Diasのハイパースペクトル・アンミックス(HU)への重要な貢献について、影響力のある学者として、そしてハイパースペクトルコミュニティに導入された多くの美しいアイデアについてレビューする。
私たちのストーリーは、頂点コンポーネント分析(VCA)から始まります -- 最も有名なHUアルゴリズムの1つで、2000以上のGoogle Scholarの引用があります。
VCAは先駆的であり、HUの研究が始まったばかりのころに発明された。
次に、広く使われているアルゴリズムであるsisalに目を向ける。
SISALは高度に成功したアルゴリズムであるだけでなく、応用最適化や実用的なノイズのあるケースに対するスマートな定式化における発明者の創発性の実証でもある。
私たちのツアーは、おそらくあまり知られていない依存コンポーネント分析(deca)で終わるでしょう。
DECAは統計的推論フレームワークを採用しており、著者の最新の研究は、そのようなフレームワークがさらなる発展の可能性があることを示唆している。
DECAの発展は、その点では、今後8年先である。
関連論文リスト
- A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。
本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-20T20:25:56Z) - A Comparative Study of Perceptual Quality Metrics for Audio-driven
Talking Head Videos [81.54357891748087]
4つの生成手法から生成した音声ヘッドビデオを収集する。
視覚的品質、口唇音の同期、頭部運動の自然性に関する制御された心理物理実験を行った。
実験では,モデル予測と人間のアノテーションの整合性を検証し,広く使用されている指標よりも人的意見に整合した指標を同定した。
論文 参考訳（メタデータ） (2024-03-11T04:13:38Z) - Quantitative Analysis of AI-Generated Texts in Academic Research: A Study of AI Presence in Arxiv Submissions using AI Detection Tool [0.0]
本研究は,学術機関がArxivに投稿するために用いた,意図的に制作されたコンテンツを閲覧する手法について分析する。
統計分析によると、Originality.aiは98%の精度で正確である。
論文 参考訳（メタデータ） (2024-02-09T17:20:48Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳（メタデータ） (2023-03-07T20:36:13Z) - Great Truths are Always Simple: A Rather Simple Knowledge Encoder for
Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
自然言語における常識推論は、人工知能システムの望ましい能力である。
複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。
有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
論文 参考訳（メタデータ） (2022-05-04T01:27:36Z) - AUC Maximization in the Era of Big Data and AI: A Survey [64.50025542570235]
ROC曲線下の領域(AUC)は、フォードデータ不均衡のパフォーマンスを評価するための選択肢である。
AUCは、AUCスコアを直接最大化することで予測モデルを学習する学習パラダイムを指す。
論文 参考訳（メタデータ） (2022-03-28T19:24:05Z) - Branching Time Active Inference: empirical study and complexity class
analysis [3.5450828190071655]
迷路解決剤の文脈における分枝時間能動推論手法(BTAI)について実験的に検討した。
事前の嗜好の改善とより深い検索が、この脆弱性を局所的なミニマに緩和する助けとなることを示す。
論文 参考訳（メタデータ） (2021-11-22T15:30:35Z) - DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense
Knowledge [42.08569149041291]
代替コモンセンス知識獲得フレームワーク DISCOS を提案します。
DISCOSは高価なコモンセンス知識をより手頃な言語知識資源に投入する。
我々は,ASERの中核部にATOMICを投入することにより,3.4M ATOMICライクな推論コモンセンス知識を得ることができる。
論文 参考訳（メタデータ） (2021-01-01T03:30:38Z) - OpenHoldem: An Open Toolkit for Large-Scale Imperfect-Information Game
Research [82.09426894653237]
OpenHoldemは、NLTHを用いた大規模不完全情報ゲーム研究のための統合ツールキットです。
1)異なるNLTH AIを徹底的に評価するための標準化された評価プロトコル、2)NLTH AIのための3つの公的に利用可能な強力なベースライン、3)公開NLTH AI評価のための使いやすいAPIを備えたオンラインテストプラットフォーム。
論文 参考訳（メタデータ） (2020-12-11T07:24:08Z) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳（メタデータ） (2020-08-30T04:28:31Z)
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。