論文の概要: MESSFN : a Multi-level and Enhanced Spectral-Spatial Fusion Network for
Pan-sharpening
- arxiv url: http://arxiv.org/abs/2109.09937v1
- Date: Tue, 21 Sep 2021 03:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:13:26.207610
- Title: MESSFN : a Multi-level and Enhanced Spectral-Spatial Fusion Network for
Pan-sharpening
- Title(参考訳): messfn : パンシャープ化のためのマルチレベルスペクトル空間融合ネットワーク
- Authors: Yuan Yuan, Yi Sun, Yuanlin Zhang
- Abstract要約: 本稿では,MESSFN(Multi-level and Enhanced Spectral-Spatial Fusion Network)を提案する。
スペクトル-空間流は階層的に導出され,MSストリームとPANストリームから複数レベルの先行スペクトルおよび空間的専門知識を融合する。
2つのデータセットの実験は、ネットワークが最先端の手法と競合しているか、優れていることを示している。
- 参考スコア(独自算出の注目度): 17.129956512200454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dominant pan-sharpening frameworks simply concatenate the MS stream and the
PAN stream once at a specific level. This way of fusion neglects the
multi-level spectral-spatial correlation between the two streams, which is
vital to improving the fusion performance. In consideration of this, we propose
a Multi-level and Enhanced Spectral-Spatial Fusion Network (MESSFN) with the
following innovations: First, to fully exploit and strengthen the above
correlation, a Hierarchical Multi-level Fusion Architecture (HMFA) is carefully
designed. A novel Spectral-Spatial (SS) stream is established to hierarchically
derive and fuse the multi-level prior spectral and spatial expertise from the
MS stream and the PAN stream. This helps the SS stream master a joint
spectral-spatial representation in the hierarchical network for better modeling
the fusion relationship. Second, to provide superior expertise, consequently,
based on the intrinsic characteristics of the MS image and the PAN image, two
feature extraction blocks are specially developed. In the MS stream, a Residual
Spectral Attention Block (RSAB) is proposed to mine the potential spectral
correlations between different spectra of the MS image through adjacent
cross-spectrum interaction. While in the PAN stream, a Residual Multi-scale
Spatial Attention Block (RMSAB) is proposed to capture multi-scale information
and reconstruct precise high-frequency details from the PAN image through an
improved spatial attention-based inception structure. The spectral and spatial
feature representations are enhanced. Extensive experiments on two datasets
demonstrate that the proposed network is competitive with or better than
state-of-the-art methods. Our code can be found in github.
- Abstract(参考訳): 支配的なパンシャーピングフレームワークは、MSストリームとPANストリームを特定のレベルで1度だけ結合する。
この融合方式は、融合性能の向上に不可欠である2つのストリーム間の多重レベルスペクトル-空間相関を無視する。
まず,上記の相関を十分に活用し,強化するために階層型マルチレベル融合アーキテクチャ(hmfa)を慎重に設計する。
スペクトル空間(SS)ストリームは,MSストリームとPANストリームから,複数レベルの先行スペクトルおよび空間的専門知識を階層的に導出し,融合するために確立された。
これにより、ssストリームは階層ネットワーク内の結合スペクトル空間表現をマスターし、融合関係のモデリングを改善することができる。
第2に,MS画像とPAN画像の本質的な特徴に基づいて,優れた専門知識を提供するために,2つの特徴抽出ブロックを特別に開発する。
msストリームでは、隣接するクロススペクトル相互作用を介してms画像の異なるスペクトル間の潜在的なスペクトル相関をマイニングするために、残差スペクトル注意ブロック(rsab)が提案されている。
PANストリームでは,Residual Multi-scale Spatial Attention Block (RMSAB) が提案され,マルチスケール情報を取得し,空間的注意に基づくインセプション構造の改善によりPAN画像から高精度な高周波詳細を再構成する。
スペクトルおよび空間的特徴表現が強化される。
2つのデータセットに対する大規模な実験は、提案されたネットワークが最先端の手法と競合しているか、優れていることを示す。
私たちのコードはgithubにあります。
関連論文リスト
- Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。
本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。
2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2024-07-02T20:29:23Z) - SSDiff: Spatial-spectral Integrated Diffusion Model for Remote Sensing Pansharpening [14.293042131263924]
本稿では,空間スペクトル統合拡散モデルを導入し,リモートセンシングパンシャーピングタスクであるSSDiffについて述べる。
SSDiffは、パンシャルペン過程を部分空間分解の観点から、空間成分とスペクトル成分の融合過程とみなしている。
論文 参考訳(メタデータ) (2024-04-17T16:30:56Z) - CMT: Cross Modulation Transformer with Hybrid Loss for Pansharpening [14.459280238141849]
Pansharpeningは、高分解能パンクロマティック(PAN)とマルチスペクトル(MS)画像を組み合わせることで、リモートセンシング画像(RSI)の品質を高めることを目的としている。
従来の手法では、空間情報やスペクトル情報を改善するためにPANとMSの画像を最適に融合させるのに苦労していた。
注意機構を改良する先駆的手法であるCross Modulation Transformer(CMT)を提案する。
論文 参考訳(メタデータ) (2024-04-01T13:55:44Z) - Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳(メタデータ) (2023-12-18T11:37:19Z) - A Dual Domain Multi-exposure Image Fusion Network based on the
Spatial-Frequency Integration [57.14745782076976]
マルチ露光画像融合は、異なる露光で画像を統合することにより、単一の高ダイナミック画像を生成することを目的としている。
本稿では,MEF-SFI と呼ばれる空間周波数統合フレームワークによるマルチ露光画像融合の新たな視点を提案する。
提案手法は,最先端のマルチ露光画像融合手法に対する視覚的近似核融合結果を実現する。
論文 参考訳(メタデータ) (2023-12-17T04:45:15Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。
モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文 参考訳(メタデータ) (2022-07-29T03:09:21Z) - 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) - MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral
Reconstruction [148.26195175240923]
効率的なスペクトル再構成のためのマルチステージスペクトル変換器(MST++)を提案する。
NTIRE 2022 Spectral Reconstruction Challengeでは、私たちのアプローチが優勝しました。
論文 参考訳(メタデータ) (2022-04-17T02:39:32Z) - 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) - Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image
Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。
スペクトル間相互作用のモデル化は、HSI再構成に有用である。
Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-15T16:59:48Z)
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。