論文の概要: Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification

• arxiv url: http://arxiv.org/abs/2108.11172v1
• Date: Wed, 25 Aug 2021 10:47:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 16:44:51.175500
• Title: Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification
• Title（参考訳）: ハイパースペクトル画像の超画素誘導識別低ランク表現による分類
• Authors: Shujun Yang, Junhui Hou, Yuheng Jia, Shaohui Mei, and Qian Du
• Abstract要約: SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。 3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
• 参考スコア（独自算出の注目度）: 49.32130776974202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel classification scheme for the remotely sensed hyperspectral image (HSI), namely SP-DLRR, by comprehensively exploring its unique characteristics, including the local spatial information and low-rankness. SP-DLRR is mainly composed of two modules, i.e., the classification-guided superpixel segmentation and the discriminative low-rank representation, which are iteratively conducted. Specifically, by utilizing the local spatial information and incorporating the predictions from a typical classifier, the first module segments pixels of an input HSI (or its restoration generated by the second module) into superpixels. According to the resulting superpixels, the pixels of the input HSI are then grouped into clusters and fed into our novel discriminative low-rank representation model with an effective numerical solution. Such a model is capable of increasing the intra-class similarity by suppressing the spectral variations locally while promoting the inter-class discriminability globally, leading to a restored HSI with more discriminative pixels. Experimental results on three benchmark datasets demonstrate the significant superiority of SP-DLRR over state-of-the-art methods, especially for the case with an extremely limited number of training pixels.
• Abstract（参考訳）: 本稿では,局所空間情報や低ランク性など,その特徴を包括的に検討することにより,リモートセンシングハイパースペクトル画像(hsi,sp-dlrr)の新しい分類手法を提案する。 sp-dlrrは主に2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別的低ランク表現から構成される。 具体的には、局所空間情報を利用し、典型的な分類器からの予測を組み込むことにより、第1モジュールは入力hsi(または第2モジュールによって生成されたその復元)の画素をスーパーピクセルに分割する。 その結果得られたスーパーピクセルにより、入力hsiの画素はクラスタにグループ化され、効率的な数値解法を用いて、新しい識別的低ランク表現モデルに供給される。 このようなモデルは、クラス間識別性をグローバルに促進しつつ、局所的なスペクトル変動を抑制してクラス内類似度を高め、より識別可能な画素を持つhsiを復元することができる。 3つのベンチマークデータセットによる実験結果から,SP-DLRRが最先端の手法よりも優れていることが示された。

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)
• Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering [4.643572021927615]
  本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。 S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。 S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
  論文  参考訳（メタデータ） (2023-12-24T09:54:40Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Anomaly Segmentation for High-Resolution Remote Sensing Images Based on Pixel Descriptors [4.802384658974538]
  高空間分解能(HSR)リモートセンシング画像における異常セグメンテーションは、通常のパターンから逸脱した地球の異常パターンのセグメンテーションを目的としている。 これらの問題に対処するために、HSR画像の異常分割に対して、画素記述子(ASD)に基づく異常分割モデルを提案する。 提案したASDモデルは、4つのHSRデータセットを用いて検証し、最近の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-01-31T05:32:34Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• TPPI-Net: Towards Efficient and Practical Hyperspectral Image Classification [13.795452646480493]
  hsi分類には新たなネットワーク設計機構tppi(ピクセルに基づく学習と画像に基づく予測)が提案されている。 TPPI-Netは、HSI分類のための技術ネットワークの状態に匹敵する高い分類精度を得るだけでなく、ハイパースペクトル画像予測の計算複雑性を大幅に減らすことができる。
  論文  参考訳（メタデータ） (2021-03-18T08:35:37Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。