論文の概要: Diffusion and Volume Maximization-Based Clustering of Highly Mixed Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2203.09992v1
• Date: Fri, 18 Mar 2022 14:39:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 17:18:25.300823
• Title: Diffusion and Volume Maximization-Based Clustering of Highly Mixed Hyperspectral Images
• Title（参考訳）: 高混合ハイパースペクトル画像の拡散と体積最大化に基づくクラスタリング
• Authors: Sam L. Polk, Kangning Cui, Robert J. Plemmons, and James M. Murphy
• Abstract要約: 本稿では,非教師付き材料識別のためのemphDiffusion and Volume-based Image Clustering (emphD-VIC)アルゴリズムについて紹介する。 D-VICは、高密度で高純度な他の高密度の高純度画素から遠く離れたハイパースペクトル画像中の、高密度で高純度なピクセルのクラスタモードを見つける。 D-VICアップウェイトピクセルは、1つの材料だけを含む空間領域に対応し、より解釈可能なクラスタリングをもたらす。
• 参考スコア（独自算出の注目度）: 5.16230883032882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral images of a scene or object are a rich data source, often encoding a hundred or more spectral bands of reflectance at each pixel. Despite being very high-dimensional, these images typically encode latent low-dimensional structure that can be exploited for material discrimination. However, due to an inherent trade-off between spectral and spatial resolution, many hyperspectral images are generated at a coarse spatial scale, and single pixels may correspond to spatial regions containing multiple materials. This article introduces the \emph{Diffusion and Volume maximization-based Image Clustering} (\emph{D-VIC}) algorithm for unsupervised material discrimination. D-VIC locates cluster modes -- high-density, high-purity pixels in the hyperspectral image that are far in diffusion distance (a data-dependent distance metric) from other high-density, high-purity pixels -- and assigns these pixels unique labels, as these points are meant to exemplify underlying material structure. Non-modal pixels are labeled according to their diffusion distance nearest neighbor of higher density and purity that is already labeled. By directly incorporating pixel purity into its modal and non-modal labeling, D-VIC upweights pixels that correspond to a spatial region containing just a single material, yielding more interpretable clusterings. D-VIC is shown to outperform baseline and comparable state-of-the-art methods in extensive numerical experiments on a range of hyperspectral images, implying that it is well-equipped for material discrimination and clustering of these data.
• Abstract（参考訳）: シーンやオブジェクトのハイパースペクトル画像はリッチなデータソースであり、各ピクセルに100以上の反射率のスペクトル帯域を符号化することが多い。 非常に高次元であるにもかかわらず、これらの画像は通常、材料識別に利用される潜在低次元構造を符号化する。 しかし、スペクトル分解能と空間分解能の間に固有のトレードオフがあるため、多くの超スペクトル画像が粗い空間スケールで生成され、単一の画素は複数の材料を含む空間領域に対応できる。 本稿では,教師なし物体識別のための\emph{diffusion and volume maximization-based image clustering} (\emph{d-vic})アルゴリズムを紹介する。 d-vicは、他の高密度高純度画素から拡散距離(データ依存距離メートル法)の遠方のハイパースペクトル画像の高密度高純度画素であるクラスタモードを配置し、これらの点が基礎となる物質構造を例示するために、これらのピクセルに固有のラベルを割り当てる。 非モード画素は、既にラベル付けされている高密度および純度近傍の拡散距離に基づいてラベル付けされる。 ピクセル純度をモーダルおよび非モーダルラベリングに直接組み込むことで、d-vicは単一の物質を含む空間領域に対応するピクセルを増量し、より解釈可能なクラスタリングをもたらす。 D-VICは、様々なハイパースペクトル画像に対する広範な数値実験において、ベースラインと同等の最先端の手法より優れており、これらのデータの物質識別やクラスタリングに適していることを示している。

関連論文リスト

• Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
  ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。 評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
  論文  参考訳（メタデータ） (2024-07-22T01:20:32Z)
• Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering [4.643572021927615]
  本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。 S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。 S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
  論文  参考訳（メタデータ） (2023-12-24T09:54:40Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• 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)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry [6.279792995020646]
  本研究では,高度に混合したハイパースペクトル画像の分割のための空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを提案する。 DSIRCは、データ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣のピクセルを用いて再構成する。 その結果,画像再構成による空間情報の取り込みにより,画素単位のクラスタリングの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2022-04-28T13:42:12Z)
• Active Diffusion and VCA-Assisted Image Segmentation of Hyperspectral Images [5.16230883032882]
  ハイパースペクトル画像は、機械学習アルゴリズムによって物質識別に利用することができるリッチな構造を符号化する。 本稿では,アクティブ拡散とVCA支援画像(ADVIS)について紹介する。
  論文  参考訳（メタデータ） (2022-04-13T11:00:52Z)
• Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
  本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
  論文  参考訳（メタデータ） (2022-04-10T09:37:41Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification [49.32130776974202]
  SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。 3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
  論文  参考訳（メタデータ） (2021-08-25T10:47:26Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)

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。