論文の概要: Classification of Hyperspectral Images by Using Spectral Data and Fully Connected Neural Network

• arxiv url: http://arxiv.org/abs/2201.02821v1
• Date: Sat, 8 Jan 2022 12:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:43:01.343395
• Title: Classification of Hyperspectral Images by Using Spectral Data and Fully Connected Neural Network
• Title（参考訳）: スペクトルデータと完全連結ニューラルネットワークを用いたハイパースペクトル画像の分類
• Authors: Zumray Dokur, Tamer Olmez
• Abstract要約: ハイパースペクトル画像では90%以上の分類成功が達成されている。 本研究では,インドマツ,サリナス,パヴィアセンター,パヴィア大学,ボツワナのハイパースペクトル像を分類した。 すべてのハイパースペクトル画像のテストセットに対して平均97.5%の精度が達成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: It is observed that high classification performance is achieved for one- and two-dimensional signals by using deep learning methods. In this context, most researchers have tried to classify hyperspectral images by using deep learning methods and classification success over 90% has been achieved for these images. Deep neural networks (DNN) actually consist of two parts: i) Convolutional neural network (CNN) and ii) fully connected neural network (FCNN). While CNN determines the features, FCNN is used in classification. In classification of the hyperspectral images, it is observed that almost all of the researchers used 2D or 3D convolution filters on the spatial data beside spectral data (features). It is convenient to use convolution filters on images or time signals. In hyperspectral images, each pixel is represented by a signature vector which consists of individual features that are independent of each other. Since the order of the features in the vector can be changed, it doesn't make sense to use convolution filters on these features as on time signals. At the same time, since the hyperspectral images do not have a textural structure, there is no need to use spatial data besides spectral data. In this study, hyperspectral images of Indian pines, Salinas, Pavia centre, Pavia university and Botswana are classified by using only fully connected neural network and the spectral data with one dimensional. An average accuracy of 97.5% is achieved for the test sets of all hyperspectral images.
• Abstract（参考訳）: 深層学習法を用いて1次元および2次元信号に対して高い分類性能が得られた。 この文脈では、多くの研究者が深層学習法を用いてハイパースペクトル画像の分類を試み、90%以上の分類成功が達成されている。 deep neural network (dnn) は2つの部分からなる。 一 畳み込みニューラルネットワーク(CNN)及び 二 完全連結ニューラルネットワーク(FCNN) CNNが特徴を決定する一方で、FCNNは分類に使用される。 ハイパースペクトル画像の分類では、ほぼ全ての研究者がスペクトルデータ(画像)の横にある空間データに2Dまたは3D畳み込みフィルタを用いた。 画像や時間信号に畳み込みフィルタを使用することは便利である。 ハイパースペクトル画像では、各ピクセルは、互いに独立した個々の特徴からなるシグネチャベクトルによって表現される。 ベクトルにおける特徴の順序を変更できるので、時間信号のようにこれらの特徴に対して畳み込みフィルタを使用することは意味がない。 同時に、ハイパースペクトル画像はテクスチャ構造を持たないため、スペクトルデータ以外に空間データを使用する必要はない。 本研究では,インドマツ,サリナス,パヴィアセンター,パヴィア大学,ボツワナの超スペクトル画像を,完全連結ニューラルネットワークと1次元のスペクトルデータのみを用いて分類した。 すべてのハイパースペクトル画像のテストセットに対して平均精度97.5%を達成する。

関連論文リスト

• Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification [1.2691047660244332]
  本稿では,3次元CNN,2次元CNN,Bi-LSTMを組み合わせたニューラルネットワークを提案する。 99.83、99.98、100%の精度を達成でき、それぞれIP、PU、SAデータセットにおける最先端モデルのトレーニング可能なパラメータは30%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-02-15T15:46:13Z)
• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• OSLO: On-the-Sphere Learning for Omnidirectional images and its application to 360-degree image compression [59.58879331876508]
  全方向画像の表現モデルの学習について検討し、全方向画像の深層学習モデルで使用される数学的ツールを再定義するために、HEALPixの球面一様サンプリングの特性を利用することを提案する。 提案したオン・ザ・スフィア・ソリューションは、等方形画像に適用された類似の学習モデルと比較して、13.7%のビットレートを節約できる圧縮ゲインを向上させる。
  論文  参考訳（メタデータ） (2021-07-19T22:14:30Z)
• SpectralNET: Exploring Spatial-Spectral WaveletCNN for Hyperspectral Image Classification [0.0]
  畳み込みニューラルネットワーク(CNN)を用いたハイパースペクトル画像(HSI)分類は,現在の文献に広く見られる。 マルチ解像度HSI分類のための2次元CNNのバリエーションであるウェーブレットCNNであるSpectralNETを提案する。
  論文  参考訳（メタデータ） (2021-04-01T08:45:15Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Harnessing spatial homogeneity of neuroimaging data: patch individual filter layers for CNNs [0.0]
  ニューラルネットワークにおける階層的抽象化の考え方と、ニューロイメージングデータの空間的均一性に先立って、新しいCNNアーキテクチャを提案する。 重みを共有せずに個々の画像領域(パッチ)でフィルタを学習することにより、PIF層は抽象的特徴をより早く、より少ないサンプルで学習することができる。
  論文  参考訳（メタデータ） (2020-07-23T10:11:43Z)
• Patch Based Classification of Remote Sensing Data: A Comparison of 2D-CNN, SVM and NN Classifiers [0.0]
  パッチベースのSVMとNNの性能と,2D-CNNと完全連結層からなるディープラーニングアルゴリズムの性能を比較した。 両方のデータセットによる結果は、パッチベースのSVMとNNの有効性を示唆している。
  論文  参考訳（メタデータ） (2020-06-21T11:07:37Z)
• 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)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。