論文の概要: Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution

• arxiv url: http://arxiv.org/abs/2108.13584v1
• Date: Tue, 31 Aug 2021 02:13:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 03:45:52.120376
• Title: Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution
• Title（参考訳）: ハイパースペクトル超解像のためのスペクトル分割と凝集ネットワーク
• Authors: Junjun Jiang and Chenyang Wang and Kui Jiang and Xianming Liu and Jiayi Ma
• Abstract要約: 高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。 限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
• 参考スコア（独自算出の注目度）: 82.59267937569213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution (HR) hyperspectral face image plays an important role in face related computer vision tasks under uncontrolled conditions, such as low-light environment and spoofing attacks. However, the dense spectral bands of hyperspectral face images come at the cost of limited amount of photons reached a narrow spectral window on average, which greatly reduces the spatial resolution of hyperspectral face images. In this paper, we investigate how to adapt the deep learning techniques to hyperspectral face image super-resolution (HFSR), especially when the training samples are very limited. Benefiting from the amount of spectral bands, in which each band can be seen as an image, we present a spectral splitting and aggregation network (SSANet) for HFSR with limited training samples. In the shallow layers, we split the hyperspectral image into different spectral groups and take each of them as an individual training sample (in the sense that each group will be fed into the same network). Then, we gradually aggregate the neighbor bands at the deeper layers to exploit the spectral correlations. By this spectral splitting and aggregation strategy (SSAS), we can divide the original hyperspectral image into multiple samples to support the efficient training of the network and effectively exploit the spectral correlations among spectrum. To cope with the challenge of small training sample size (S3) problem, we propose to expand the training samples by a self-representation model and symmetry-induced augmentation. Experiments show that the introduced SSANet can well model the joint correlations of spatial and spectral information. By expanding the training samples, our proposed method can effectively alleviate the S3 problem. The comparison results demonstrate that our proposed method can outperform the state-of-the-arts.
• Abstract（参考訳）: 高分解能(HR)ハイパースペクトル顔画像は、低照度環境やスプーフ攻撃などの制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 しかし、超スペクトル顔画像の高密度スペクトル帯域は、限られた量の光子のコストで平均して狭いスペクトル窓に達し、超スペクトル顔画像の空間分解能を大幅に減少させる。 本稿では,ハイパースペクトル顔画像超解像(HFSR)への深層学習手法の適用について検討する。 画像として各帯域を見ることができるスペクトル帯域の量から,HFSRのためのスペクトル分割集約ネットワーク(SSANet)を,限られたトレーニングサンプルで提示する。 浅い層では、ハイパースペクトル画像を異なるスペクトル群に分割し、それぞれを個別のトレーニングサンプルとして(各グループが同じネットワークに入力されるという意味で)とします。 そして、より深い層に隣接するバンドを徐々に集約し、スペクトル相関を利用する。 このスペクトル分割アグリゲーション戦略(SSAS)により、元のハイパースペクトル画像を複数のサンプルに分割し、ネットワークの効率的なトレーニングを支援し、スペクトル間のスペクトル相関を効果的に活用することができる。 そこで本研究では, 自己表現モデルと対称性による拡張により, トレーニングサンプルのサイズを小さくすること (S3) の課題に対処する。 実験の結果,SSANetは空間情報とスペクトル情報の相関関係をうまくモデル化できることがわかった。 トレーニングサンプルの拡大により,提案手法はS3問題を効果的に緩和することができる。 比較結果は,提案手法が最先端技術より優れていることを示す。

関連論文リスト

• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• 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)
• Spatial-Spectral Feedback Network for Super-Resolution of Hyperspectral Imagery [11.76638109321532]
  ハイパースペクトル画像における高次元および複雑なスペクトルパターンは、バンド間の空間情報とスペクトル情報の同時探索を困難にする。 利用可能なハイパースペクトルトレーニングサンプルの数は極めて少なく、ディープニューラルネットワークのトレーニング時にオーバーフィットする可能性がある。 グローバルスペクトル帯域からの高レベル情報を持つ局所スペクトル帯域間の低レベル表現を洗練するための新しい空間スペクトルフィードバックネットワーク(ssfn)を提案する。
  論文  参考訳（メタデータ） (2021-03-07T13:28:48Z)
• 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)
• 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)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。