論文の概要: CEU-Net: Ensemble Semantic Segmentation of Hyperspectral Images Using Clustering

• arxiv url: http://arxiv.org/abs/2203.04873v1
• Date: Wed, 9 Mar 2022 16:51:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:54:29.908021
• Title: CEU-Net: Ensemble Semantic Segmentation of Hyperspectral Images Using Clustering
• Title（参考訳）: CEU-Net:クラスタリングを用いたハイパースペクトル画像のセマンティックセグメンテーション
• Authors: Nicholas Soucy, Salimeh Yasaei Sekeh
• Abstract要約: Clustering Ensemble U-Net (CEU-Net)はハイパースペクトル画像のための新しいセマンティックセグメンテーションモデルである CEU-Netは、ランドスケープピクセルのクラスタ上での畳み込みニューラルネットワーク(CNN)トレーニングから抽出されたスペクトル情報を合成する。 我々のモデルは既存のHSIセマンティックセマンティックセグメンテーション法より優れており、パッチを適用せずに競合性能を得る。
• 参考スコア（独自算出の注目度）: 2.741266294612776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most semantic segmentation approaches of Hyperspectral images (HSIs) use and require preprocessing steps in the form of patching to accurately classify diversified land cover in remotely sensed images. These approaches use patching to incorporate the rich neighborhood information in images and exploit the simplicity and segmentability of the most common HSI datasets. In contrast, most landmasses in the world consist of overlapping and diffused classes, making neighborhood information weaker than what is seen in common HSI datasets. To combat this issue and generalize the segmentation models to more complex and diverse HSI datasets, in this work, we propose our novel flagship model: Clustering Ensemble U-Net (CEU-Net). CEU-Net uses the ensemble method to combine spectral information extracted from convolutional neural network (CNN) training on a cluster of landscape pixels. Our CEU-Net model outperforms existing state-of-the-art HSI semantic segmentation methods and gets competitive performance with and without patching when compared to baseline models. We highlight CEU-Net's high performance across Botswana, KSC, and Salinas datasets compared to HybridSN and AeroRIT methods.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)のほとんどのセマンティックセグメンテーションアプローチは、リモートセンシング画像における多様な土地被覆を正確に分類するために、パッチ方式の事前処理ステップを必要とする。 これらのアプローチでは、画像にリッチな近傍情報を統合するためにパッチを使用し、最も一般的なHSIデータセットの単純さとセグメンタビリティを活用する。 対照的に、世界のほとんどの地塊は重なり合ったクラスと拡散したクラスで構成されており、一般的なHSIデータセットで見られるものよりも周辺情報を弱めている。 この問題に対処し、より複雑で多様なHSIデータセットにセグメンテーションモデルを一般化するために、我々は新しいフラッグシップモデルであるClustering Ensemble U-Net(CEU-Net)を提案する。 CEU-Netはアンサンブル法を用いて、ランドスケープピクセルのクラスタ上での畳み込みニューラルネットワーク(CNN)トレーニングから抽出されたスペクトル情報を合成する。 ceu-netモデルは,既存のhsiセマンティクスセグメンテーション手法を上回り,ベースラインモデルと比較してパッチを施すことなく,競合性能を得る。 Botswana、KSC、SalinasのデータセットにおけるCEU-Netのハイパフォーマンスを、HybridSNやAeroRITメソッドと比較して強調する。

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)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• COMNet: Co-Occurrent Matching for Weakly Supervised Semantic Segmentation [13.244183864948848]
  我々は,CAMの品質を向上し,オブジェクトの全体に対して注意を払うためにネットワークを強制する,新しいコオカレントマッチングネットワーク(COMNet)を提案する。 具体的には、共通クラスを含むペア画像のマッチングを行い、対応する領域を強化し、単一の画像上にマッチングを構築し、対象領域を横断する意味的特徴を伝達する。 The experiment on the Pascal VOC 2012 and MS-COCO datasets shows our network can effective boost the performance of the baseline model and a new-of-the-art performance。
  論文  参考訳（メタデータ） (2023-09-29T03:55:24Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• CRCNet: Few-shot Segmentation with Cross-Reference and Region-Global Conditional Networks [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 複数ショットセグメンテーションのためのクロスリファレンス・ローカル・グローバル・ネットワーク(CRCNet)を提案する。 我々のネットワークは、相互参照機構により、2つの画像に共起する物体をよりよく見つけることができる。
  論文  参考訳（メタデータ） (2022-08-23T06:46:18Z)
• Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
  本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。 提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。 実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T13:02:32Z)
• RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
  本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。 実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。 その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-19T15:57:20Z)
• CSC-Unet: A Novel Convolutional Sparse Coding Strategy Based Neural Network for Semantic Segmentation [0.44289311505645573]
  本稿では,一般的な畳み込み操作を多層畳み込み符号化ブロックに書き換える新しい戦略を提案する。 多層畳み込みスパース符号化ブロックは,セマンティックセグメンテーションモデルをより高速に収束させ,画像のより微細なセマンティックおよび外観情報を抽出し,空間的詳細情報を復元する能力を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-08-01T09:16:31Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
  本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。 具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。 従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
  論文  参考訳（メタデータ） (2020-04-22T10:09:19Z)

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。