Fugu-MT 論文翻訳(概要): A 3D 2D convolutional Neural Network Model for Hyperspectral Image Classification

論文の概要: A 3D 2D convolutional Neural Network Model for Hyperspectral Image Classification

arxiv url: http://arxiv.org/abs/2111.10293v1
Date: Fri, 19 Nov 2021 16:09:25 GMT
ステータス: 処理完了
システム内更新日: 2021-11-22 16:09:26.506760
Title: A 3D 2D convolutional Neural Network Model for Hyperspectral Image Classification
Title（参考訳）: ハイパースペクトル画像分類のための3次元畳み込みニューラルネットワークモデル
Authors: Jiaxin Cao and Xiaoyan Li
Abstract要約: 提案したSEHybridSNモデルでは,浅度特徴の再利用に高密度ブロックを用いた。深度分離可能な畳み込み層を用いて空間情報を識別した。実験結果から,本モデルでは,ごく少数のトレーニングデータを用いて,より識別的な空間スペクトル特徴を学習できることが示唆された。
参考スコア（独自算出の注目度）: 4.213427823201119
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the proposed SEHybridSN model, a dense block was used to reuse shallow feature and aimed at better exploiting hierarchical spatial spectral feature. Subsequent depth separable convolutional layers were used to discriminate the spatial information. Further refinement of spatial spectral features was realized by the channel attention method, which were performed behind every 3D convolutional layer and every 2D convolutional layer. Experiment results indicate that our proposed model learn more discriminative spatial spectral features using very few training data. SEHybridSN using only 0.05 and 0.01 labeled data for training, a very satisfactory performance is obtained.
Abstract（参考訳）: 提案したSEHybridSNモデルでは、浅い特徴を再利用するために高密度ブロックが用いられ、階層的な空間スペクトル特性をより活用することを目的とした。その後の深度分離可能な畳み込み層を用いて空間情報を識別した。各3次元畳み込み層と各2次元畳み込み層の後方で行うチャネルアテンション法により,空間スペクトル特性のさらなる改善を実現した。実験の結果,本モデルは非常に少ないトレーニングデータを用いて,より識別的な空間スペクトル特徴を学習できることが示唆された。トレーニングには0.05と0.01のラベル付きデータのみを使用するSEHybridSNが有効である。

関連論文リスト

Bidirectional Propagation for Cross-Modal 3D Object Detection [53.89242981791315]
本稿では,2次元画像枝に逆向きに特徴を流すことができる反対の点対画素方向を提案する。 2Dおよび3Dストリームを共同最適化する場合、2Dイメージブランチからバックプロパゲーションされた勾配は、3Dバックボーンネットワークの表現能力を高めることができる。アーキテクチャ設計に加えて,2次元イメージブランチのトレーニングのための新しい2次元補助タスクである局所座標マップの正規化も提案する。
論文参考訳（メタデータ） (2023-01-22T08:26:58Z)
GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2022-10-19T17:56:03Z)
Shape Prior Non-Uniform Sampling Guided Real-time Stereo 3D Object Detection [59.765645791588454]
最近導入されたRTS3Dは、深度監督のないオブジェクトの中間表現のための効率的な4次元特徴整合埋め込み空間を構築している。本研究では, 内部領域で高密度サンプリングを行い, 内部領域でスパースサンプリングを行う非一様サンプリング方式を提案する。提案手法は,ネットワークパラメータをほとんど含まないAP3dに対して2.57%の改善を実現している。
論文参考訳（メタデータ） (2021-06-18T09:14:55Z)
Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN [1.2875323263074796]
2Dおよび3DCNNモデルは、ハイパースペクトル画像の空間的およびスペクトル情報を利用するのに非常に効率的であることが証明されている。この研究は、計算コストを大幅に削減する軽量CNN(3Dと2D-CNN)モデルを提案した。
論文参考訳（メタデータ） (2021-01-25T18:43:57Z)
Fusion of Dual Spatial Information for Hyperspectral Image Classification [26.304992631350114]
双対空間情報の融合を利用した新しいハイパースペクトル画像分類フレームワークを提案する。異なるシーンの3つのデータセットで行った実験は、提案手法が他の最先端の分類手法よりも優れていることを示している。
論文参考訳（メタデータ） (2020-10-23T12:20:18Z)
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)
Spatial Information Guided Convolution for Real-Time RGBD Semantic Segmentation [79.78416804260668]
本稿では,効率的なRGB機能と3次元空間情報統合を実現するための空間情報ガイドコンボリューション(S-Conv)を提案する。 S-Convは、3次元空間情報によって導かれる畳み込みカーネルのサンプリングオフセットを推測する能力を有する。我々はさらにS-Convを空間情報ガイド畳み込みネットワーク(SGNet)と呼ばれるセグメンテーションネットワークに組み込みます。
論文参考訳（メタデータ） (2020-04-09T13:38:05Z)
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文参考訳（メタデータ） (2020-03-06T12:51:09Z)
Learning Hyperspectral Feature Extraction and Classification with ResNeXt Network [2.9967206019304937]
ハイパースペクトル画像分類 (HSI) は標準的なリモートセンシングタスクであり、各画像ピクセルには地球表面の物理的土地被覆を示すラベルが与えられる。ハイパースペクトル画像におけるスペクトルおよび空間的手がかりの両利用により,ハイパースペクトル画像分類における分類精度が向上した。ハイパースペクトル画像から空間的およびスペクトル的手がかりを抽出するために3次元畳み込みニューラルネットワーク(3D-CNN)のみを使用すると、パラメータの爆発が起こり、計算コストが高くなる。スペクトル空間情報をモデル化するための3次元畳み込みを利用したMixedSNと呼ばれるネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-07T01:54:15Z)
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。