論文の概要: Hyperspectral Remote Sensing Image Classification Based on Multi-scale Cross Graphic Convolution

• arxiv url: http://arxiv.org/abs/2106.14804v1
• Date: Mon, 28 Jun 2021 15:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 15:51:37.837783
• Title: Hyperspectral Remote Sensing Image Classification Based on Multi-scale Cross Graphic Convolution
• Title（参考訳）: マルチスケール・クロスグラフィック・コンボリューションに基づくハイパースペクトルリモートセンシング画像分類
• Authors: Yunsong Zhao, Yin Li, Zhihan Chen, Tianchong Qiu and Guojin Liu
• Abstract要約: マルチスケール機能マイニング学習アルゴリズム(MGRNet)を提案する。 MGRNetは、主成分分析を用いて、元のハイパースペクトル画像(HSI)の次元を減少させ、その意味情報の99.99%を保持する。 3つの一般的なハイパースペクトルデータセットの実験により,本論文で提案したMGRNetアルゴリズムは,認識精度において従来の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）: 20.42582692786715
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The mining and utilization of features directly affect the classification performance of models used in the classification and recognition of hyperspectral remote sensing images. Traditional models usually conduct feature mining from a single perspective, with the features mined being limited and the internal relationships between them being ignored. Consequently, useful features are lost and classification results are unsatisfactory. To fully mine and utilize image features, a new multi-scale feature-mining learning algorithm (MGRNet) is proposed. The model uses principal component analysis to reduce the dimensionality of the original hyperspectral image (HSI) to retain 99.99% of its semantic information and extract dimensionality reduction features. Using a multi-scale convolution algorithm, the input dimensionality reduction features were mined to obtain shallow features, which then served as inputs into a multi-scale graph convolution algorithm to construct the internal relationships between eigenvalues at different scales. We then carried out cross fusion of multi-scale information obtained by graph convolution, before inputting the new information obtained into the residual network algorithm for deep feature mining. Finally, a flexible maximum transfer function classifier was used to predict the final features and complete the classification. Experiments on three common hyperspectral datasets showed the MGRNet algorithm proposed in this paper to be superior to traditional methods in recognition accuracy.
• Abstract（参考訳）: 特徴のマイニングと利用は、ハイパースペクトルリモートセンシング画像の分類と認識に使用されるモデルの分類性能に直接影響する。 伝統的なモデルは、通常、単一視点から機能マイニングを行い、その特徴は限定され、内部的関係は無視される。 その結果、有用な特徴が失われ、分類結果が不十分となる。 画像特徴を完全にマイニングし活用するために,MGRNet(Multi-scale feature-mining learning algorithm)を提案する。 このモデルは主成分分析を用いて元の超スペクトル画像(hsi)の次元性を減少させ、99.99%のセマンティック情報を保持し、次元の縮小特徴を抽出する。 マルチスケール畳み込みアルゴリズムを用いて, 浅い特徴量を得るために入力次元低減機能をマイニングし, 多スケールグラフ畳み込みアルゴリズムへの入力として利用し, 異なるスケールで固有値間の内部関係を構築した。 そこで我々は,グラフ畳み込みにより得られたマルチスケール情報のクロスフュージョンを行い,特徴マイニングのために残差ネットワークアルゴリズムに新たな情報を入力した。 最後に、フレキシブルな最大転送関数分類器を使用して最終特徴を予測し、分類を完成させた。 3つの一般的なハイパースペクトルデータセットの実験により、mgrnetアルゴリズムが従来の認識精度の方法よりも優れていることを示した。

関連論文リスト

• Multi-scale Unified Network for Image Classification [33.560003528712414]
  CNNは、実世界のマルチスケール画像入力を扱う際に、性能と計算効率において顕著な課題に直面している。 本稿では,マルチスケール,統一ネットワーク,スケール不変制約からなるMultiscale Unified Network(MUSN)を提案する。 MUSNは精度が44.53%向上し、マルチスケールシナリオではFLOPを7.01-16.13%減少させる。
  論文  参考訳（メタデータ） (2024-03-27T06:40:26Z)
• Unsupervised convolutional neural network fusion approach for change detection in remote sensing images [1.892026266421264]
  我々は、変化検出のための全く教師なし浅層畳み込みニューラルネットワーク(USCNN)融合アプローチを導入する。 我々のモデルには3つの特徴がある: トレーニングプロセス全体は教師なしで行われ、ネットワークアーキテクチャは浅く、目的関数はスパースである。 4つの実リモートセンシングデータセットの実験結果から,提案手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-11-07T03:10:17Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
  後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。 提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。 本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-03-17T15:26:00Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• Understanding Anomaly Detection with Deep Invertible Networks through Hierarchies of Distributions and Features [4.25227087152716]
  畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。 inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。 モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T20:56:14Z)
• Hyperspectral Images Classification Based on Multi-scale Residual Network [5.166817530813299]
  ハイパースペクトルリモートセンシング画像は多くの冗長情報を含み、データ構造は非線形である。 深層畳み込みニューラルネットワークの精度は高いが、訓練に少量のデータを使用すると、ディープラーニング手法の分類精度が大幅に低下する。 ハイパースペクトル画像の小さなサンプルに対して,既存のアルゴリズムの分類精度の低い問題を解くために,マルチスケール残差ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T13:46:52Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。