論文の概要: Hyperspectral Pixel Unmixing with Latent Dirichlet Variational
Autoencoder
- arxiv url: http://arxiv.org/abs/2203.01327v1
- Date: Wed, 2 Mar 2022 17:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 15:22:13.840003
- Title: Hyperspectral Pixel Unmixing with Latent Dirichlet Variational
Autoencoder
- Title(参考訳): 遅延ディリクレ変分オートエンコーダを用いたハイパースペクトルレンズアンミキシング
- Authors: Kiran Mantripragada and Faisal Z. Qureshi
- Abstract要約: ハイパースペクトル画素強度は、いくつかの材料からの反射率の混合によって生じる。
本稿では,ハイパースペクトル画素の非混合化法について述べる。
ハイパースペクトル・ピクセル・アンミックスのための遅延ディリクレ変分オートエンコーダを開発した。
- 参考スコア(独自算出の注目度): 1.4721615285883425
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hyperspectral pixel intensities result from a mixing of reflectances from
several materials. This paper develops a method of hyperspectral pixel {\it
unmixing} that aims to recover the "pure" spectral signal of each material
(hereafter referred to as {\it endmembers}) together with the mixing ratios
({\it abundances}) given the spectrum of a single pixel. The unmixing problem
is particularly relevant in the case of low-resolution hyperspectral images
captured in a remote sensing setting, where individual pixels can cover large
regions of the scene. Under the assumptions that (1) a multivariate Normal
distribution can represent the spectra of an endmember and (2) a Dirichlet
distribution can encode abundances of different endmembers, we develop a Latent
Dirichlet Variational Autoencoder for hyperspectral pixel unmixing. Our
approach achieves state-of-the-art results on standard benchmarks and on
synthetic data generated using United States Geological Survey spectral
library.
- Abstract(参考訳): ハイパースペクトルピクセル強度は、複数の材料からの反射率の混合によって生じる。
本稿では,各材料の「純」スペクトル信号(以下,「純」スペクトル信号」と呼ぶ)を,単一画素のスペクトルの混合比(演算アンミキシング)とともに回収することを目的としたハイパースペクトル画素(it unmixing)の手法を開発する。
未混合問題は、リモートセンシング環境で撮影された低解像度のハイパースペクトル画像において特に重要であり、個々のピクセルがシーンの広い領域をカバーすることができる。
1) 多変量正規分布はエンドメンバーのスペクトルを表現でき、(2)ディリクレ分布は異なるエンドメンバーの存在量をエンコードできるという仮定の下で、超スペクトル画素アンミックスのための潜在ディリクレ変分オートエンコーダを開発する。
本手法は,標準ベンチマークおよび米国地質調査スペクトルライブラリーを用いて生成された合成データを用いて,最新の結果を得る。
関連論文リスト
- A consensus-constrained parsimonious Gaussian mixture model for
clustering hyperspectral images [0.0]
食品エンジニアは、ハイパースペクトル画像を使用して、食品サンプルのタイプと品質を分類する。
これらの手法を訓練するには、各トレーニング画像の各ピクセルにラベルを付ける必要がある。
ハイパースペクトル画像に画素をラベル付けするために, コンセンサス制約付き擬似ガウス混合モデル (ccPGMM) を提案する。
論文 参考訳(メタデータ) (2024-03-05T22:23:43Z) - SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet
Variational Autoencoder for Hyperspectral Pixel Unmixing [2.0257616108612373]
空間的注意を伴う等方性CNNエンコーダを提案し,超スペクトルアンミックス問題の解法を提案する。
我々は,Samson,Hydice Urban,Cuprite,OnTech-HSI-Syn-21データセットについて検討した。
論文 参考訳(メタデータ) (2023-11-17T18:45:00Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳(メタデータ) (2022-11-15T17:57:12Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳(メタデータ) (2022-08-26T04:28:01Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - Autoencoding Low-Resolution MRI for Semantically Smooth Interpolation of
Anisotropic MRI [1.281734910003263]
符号化された低解像度例から新しい中間スライスを合成する教師なしのディープラーニングセマンティックアプローチを提案する。
この手法は, 立方体Bスプライン法よりも構造類似度指数測定とピーク信号対雑音比で有意に優れた結果が得られる。
論文 参考訳(メタデータ) (2022-02-18T15:40:00Z) - MetaPix: Domain Transfer for Semantic Segmentation by Meta Pixel
Weighting [1.9671123873378715]
我々はメタラーニングによって合成データのピクセルレベルの重み付けを学習する。
実験により, 1つのメタモジュールのみを用いた手法は, 対角的特徴アライメント, 再構成損失, および画素, 領域, 画像レベルの階層重み付けの複雑な組み合わせよりも優れていることが示された。
論文 参考訳(メタデータ) (2021-10-05T01:31:00Z) - NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。
この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。
我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文 参考訳(メタデータ) (2021-06-09T17:59:10Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision
Farming [3.4788711710826083]
本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。
我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。
RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
論文 参考訳(メタデータ) (2020-09-12T08:49:36Z) - Set Based Stochastic Subsampling [85.5331107565578]
本稿では,2段階間ニューラルサブサンプリングモデルを提案する。
画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2020-06-25T07:36:47Z)
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。