論文の概要: End to end hyperspectral imaging system with coded compression imaging process

• arxiv url: http://arxiv.org/abs/2109.02643v1
• Date: Mon, 6 Sep 2021 13:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:25:44.131703
• Title: End to end hyperspectral imaging system with coded compression imaging process
• Title（参考訳）: 符号化圧縮イメージングプロセスを用いた端から端までハイパースペクトルイメージングシステム
• Authors: Hui Xie, Zhuang Zhao, Jing Han, Yi Zhang, Lianfa Bai, Jun Lu
• Abstract要約: 符号化開口スペクトルイメージングシステムに基づく物理インフォームド自己監督CNN法を提案する。 本手法は、符号化されたスペクトル情報から空間スペクトルの相対化を効果的に利用し、カメラ量子効果モデルに基づく自己監視システムを構築する。
• 参考スコア（独自算出の注目度）: 13.00211539170695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral images (HSIs) can provide rich spatial and spectral information with extensive application prospects. Recently, several methods using convolutional neural networks (CNNs) to reconstruct HSIs have been developed. However, most deep learning methods fit a brute-force mapping relationship between the compressive and standard HSIs. Thus, the learned mapping would be invalid when the observation data deviate from the training data. To recover the three-dimensional HSIs from two-dimensional compressive images, we present dual-camera equipment with a physics-informed self-supervising CNN method based on a coded aperture snapshot spectral imaging system. Our method effectively exploits the spatial-spectral relativization from the coded spectral information and forms a self-supervising system based on the camera quantum effect model. The experimental results show that our method can be adapted to a wide imaging environment with good performance. In addition, compared with most of the network-based methods, our system does not require a dedicated dataset for pre-training. Therefore, it has greater scenario adaptability and better generalization ability. Meanwhile, our system can be constantly fine-tuned and self-improved in real-life scenarios.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)は、広い応用可能性を持つ豊富な空間およびスペクトル情報を提供することができる。 近年, 畳み込みニューラルネットワーク(CNN)を用いてHSIを再構築する手法が開発されている。 しかし,ほとんどの深層学習法は圧縮HSIと標準HSIのブルートフォースマッピング関係に適合する。 したがって、観測データがトレーニングデータから逸脱した場合、学習されたマッピングは無効となる。 2次元圧縮画像から3次元のHSIを復元するために,符号化開口スペクトル撮像システムに基づく物理インフォームド自己監督CNN方式のデュアルカメラ装置を提案する。 本手法は, 符号化スペクトル情報からの空間スペクトル相対化を効果的に活用し, カメラ量子効果モデルに基づく自己教師ありシステムを構築する。 実験の結果,本手法は広い撮像環境に適応でき,良好な性能が得られることがわかった。 さらに,ネットワークベース手法のほとんどと比較して,事前学習のための専用データセットは不要である。 したがって、シナリオ適応性が向上し、一般化能力が向上する。 一方,本システムは実生活シナリオにおいて常に微調整や自己改善が可能である。

関連論文リスト

• Coarse-Fine Spectral-Aware Deformable Convolution For Hyperspectral Image Reconstruction [15.537910100051866]
  Coded Aperture Snapshot Spectral Imaging (CASSI) の逆問題について検討する。 粗面スペクトル対応変形性畳み込みネットワーク(CFSDCN)を提案する。 我々のCFSDCNは、シミュレーションされたHSIデータセットと実際のHSIデータセットの両方において、従来の最先端(SOTA)メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-18T15:15:12Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• A Model-data-driven Network Embedding Multidimensional Features for Tomographic SAR Imaging [5.489791364472879]
  多次元特徴量に基づくトモSARイメージングを実現するためのモデルデータ駆動型ネットワークを提案する。 画像シーンの多次元的特徴を効果的に向上するために、2つの2次元処理モジュール(畳み込みエンコーダ-デコーダ構造)を追加します。 従来のCS-based FISTA法とDL-based gamma-Net法と比較して,提案手法は良好な画像精度を有しつつ,完全性を向上させる。
  論文  参考訳（メタデータ） (2022-11-28T02:01:43Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• Self-supervised Neural Networks for Spectral Snapshot Compressive Imaging [15.616674529295366]
  我々は、訓練されていないニューラルネットワークを用いて、スナップショット圧縮画像(SCI)の再構成問題を解決することを検討する。 本稿では,DIP(Deep Image Priors)やディープデコーダ(Deep Decoder)といった未学習のニューラルネットワークにヒントを得て,DIPをプラグアンドプレイシステムに統合して,スペクトルSCI再構成のための自己教師型ネットワークを構築する。
  論文  参考訳（メタデータ） (2021-08-28T14:17:38Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• Compressive spectral image classification using 3D coded convolutional neural network [12.67293744927537]
  本稿では、符号化開口スナップショット分光画像(CASSI)の測定に基づく新しい深層学習HIC手法を提案する。 3次元符号化畳み込みニューラルネットワーク(3D-CCNN)と呼ばれる新しいタイプのディープラーニング戦略を提案し,その分類問題を効率的に解く。 ディープラーニングネットワークと符号化開口部の相乗効果を利用して、分類精度を効果的に向上する。
  論文  参考訳（メタデータ） (2020-09-23T15:05:57Z)
• 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)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。