論文の概要: 3D-ANAS v2: Grafting Transformer Module on Automatically Designed
ConvNet for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2110.11084v1
- Date: Thu, 21 Oct 2021 11:51:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 03:10:34.543686
- Title: 3D-ANAS v2: Grafting Transformer Module on Automatically Designed
ConvNet for Hyperspectral Image Classification
- Title(参考訳): 3D-ANAS v2:ハイパースペクトル画像分類のための自動設計ConvNet上のグラフト変換モジュール
- Authors: Xizhe Xue, Haokui Zhang, Zongwen Bai, Ying Li
- Abstract要約: ハイパースペクトル画像(HSI)分類は意思決定のホットトピックである。
ディープラーニングに基づくHSI分類法は有望な性能を達成した。
HSI分類には、いくつかのニューラルアーキテクチャサーチ(NAS)アルゴリズムが提案されている。
- 参考スコア(独自算出の注目度): 7.920549669706736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral image (HSI) classification has been a hot topic for decides, as
Hyperspectral image has rich spatial and spectral information, providing strong
basis for distinguishing different land-cover objects. Benefiting from the
development of deep learning technologies, deep learning based HSI
classification methods have achieved promising performance. Recently, several
neural architecture search (NAS) algorithms are proposed for HSI
classification, which further improve the accuracy of HSI classification to a
new level. In this paper, we revisit the search space designed in previous HSI
classification NAS methods and propose a novel hybrid search space, where 3D
convolution, 2D spatial convolution and 2D spectral convolution are employed.
Compared search space proposed in previous works, the serach space proposed in
this paper is more aligned with characteristic of HSI data that is HSIs have a
relatively low spatial resolution and an extremely high spectral resolution. In
addition, to further improve the classification accuracy, we attempt to graft
the emerging transformer module on the automatically designed ConvNet to adding
global information to local region focused features learned by ConvNet. We
carry out comparison experiments on three public HSI datasets which have
different spectral characteristics to evaluate the proposed method.
Experimental results show that the proposed method achieves much better
performance than comparison approaches, and both adopting the proposed hybrid
search space and grafting transformer module improves classification accuracy.
Especially on the most recently captured dataset Houston University, overall
accuracy is improved by up to nearly 6 percentage points. Code will be
available at: https://github.com/xmm/3D-ANAS-V2.
- Abstract(参考訳): ハイパースペクトラル画像(hsi)の分類は、ハイパースペクトラル画像は空間的およびスペクトル的情報が多く、異なる土地被覆物体を識別するための強い基礎を提供するため、決定のホットな話題となっている。
ディープラーニング技術の発展により、ディープラーニングに基づくHSI分類手法は有望な性能を達成した。
近年,hsi分類のためのニューラルネットワーク探索(nas)アルゴリズムが提案されており,hsi分類の精度がさらに向上している。
本稿では,従来のhsi分類法で設計された探索空間を再検討し,3次元畳み込み,2次元空間畳み込み,2次元スペクトル畳み込みを用いた新しいハイブリッド探索空間を提案する。
先行研究で提案された探索空間と比較して,本論文で提案するセラッハ空間はhsiデータの特徴と一致しており,hsisは空間分解能が比較的低く,スペクトル分解能が極めて高い。
さらに,さらに分類精度を向上させるため,新たに開発されたトランスフォーマーモジュールを自動設計したconvnetに移植し,convnetが学習した局所的特徴にグローバル情報を付加する。
提案手法を評価するために,スペクトル特性が異なる3つのhsiデータセットの比較実験を行った。
実験の結果,提案手法は比較手法よりもはるかに優れた性能を示し,ハイブリッド検索空間とグラフト変換モジュールを併用することにより,分類精度が向上した。
特に最近撮影されたヒューストン大学のデータセットでは、全体の精度が最大6%向上している。
コードは、https://github.com/xmm/3D-ANAS-V2.comから入手できる。
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) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳(メタデータ) (2023-10-11T07:30:37Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳(メタデータ) (2023-04-23T17:27:40Z) - 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) - 3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral
Image Classification [5.727964191623458]
ハイパースペクトル画像はスペクトルと空間情報を豊富に含み、土地被覆分類において不定の役割を果たす。
近年,ディープラーニング技術に基づいて,有望な性能を示すHSI分類手法が提案されている。
1)ほとんどのディープラーニングモデルのアーキテクチャは手作業で設計されており、専門知識に依存しており、比較的退屈である。
論文 参考訳(メタデータ) (2021-01-12T04:15:40Z) - Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer
Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。
従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。
本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文 参考訳(メタデータ) (2020-12-07T03:44:35Z) - Hyperspectral Image Classification with Spatial Consistence Using Fully
Convolutional Spatial Propagation Network [9.583523548244683]
深部畳み込みニューラルネットワーク(CNN)は、高スペクトル画像(HSI)を表現できる印象的な能力を示している
本稿では,HSI分類のための新しいエンドツーエンドの画素間完全畳み込み空間伝搬ネットワーク(FCSPN)を提案する。
FCSPNは3次元完全畳み込みネットワーク(3D-FCN)と畳み込み空間伝播ネットワーク(CSPN)からなる。
論文 参考訳(メタデータ) (2020-08-04T09:05:52Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳(メタデータ) (2020-07-10T08:08:20Z) - Improving Deep Hyperspectral Image Classification Performance with
Spectral Unmixing [3.84448093764973]
本稿では,多元HSI分類法を提案する。
我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。
次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
論文 参考訳(メタデータ) (2020-04-01T17:14:05Z) - Hyperspectral Classification Based on 3D Asymmetric Inception Network
with Data Fusion Transfer Learning [36.05574127972413]
私たちはまず、3D非対称なインセプションネットワークであるAINetを提供し、過度に適合する問題を克服します。
HSIデータの空間的コンテキストに対するスペクトルシグネチャの強調により、AINetはこの機能を効果的に伝達し、分類することができる。
論文 参考訳(メタデータ) (2020-02-11T06:37:34Z)
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。