論文の概要: Real-time Hyperspectral Imaging in Hardware via Trained Metasurface
Encoders
- arxiv url: http://arxiv.org/abs/2204.02084v1
- Date: Tue, 5 Apr 2022 09:52:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 19:48:09.907277
- Title: Real-time Hyperspectral Imaging in Hardware via Trained Metasurface
Encoders
- Title(参考訳): トレーニングされたメタサーフェスエンコーダによるハードウェアのリアルタイムハイパースペクトルイメージング
- Authors: Maksim Makarenko, Arturo Burguete-Lopez, Qizhou Wang, Fedor Getman,
Silvio Giancola, Bernard Ghanem and Andrea Fratalocchi
- Abstract要約: ハイパースペクトルイメージングは、コンピュータビジョンにおける画像分類と自動パターン認識のためのスペクトルシグネチャを特定するために大きな注目を集めている。
上述した制限に対処する新しい統合アーキテクチャであるHyplexを紹介する。
HyplexはCMOS互換で高速なハイパースペクトルカメラで、バルク光学を人工知能によって逆向きにデザインされたナノスケールのメタ曲面に置き換える。
- 参考スコア(独自算出の注目度): 55.16861072631285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral imaging has attracted significant attention to identify
spectral signatures for image classification and automated pattern recognition
in computer vision. State-of-the-art implementations of snapshot hyperspectral
imaging rely on bulky, non-integrated, and expensive optical elements,
including lenses, spectrometers, and filters. These macroscopic components do
not allow fast data processing for, e.g real-time and high-resolution videos.
This work introduces Hyplex, a new integrated architecture addressing the
limitations discussed above. Hyplex is a CMOS-compatible, fast hyperspectral
camera that replaces bulk optics with nanoscale metasurfaces inversely designed
through artificial intelligence. Hyplex does not require spectrometers but
makes use of conventional monochrome cameras, opening up the possibility for
real-time and high-resolution hyperspectral imaging at inexpensive costs.
Hyplex exploits a model-driven optimization, which connects the physical
metasurfaces layer with modern visual computing approaches based on end-to-end
training. We design and implement a prototype version of Hyplex and compare its
performance against the state-of-the-art for typical imaging tasks such as
spectral reconstruction and semantic segmentation. In all benchmarks, Hyplex
reports the smallest reconstruction error. We additionally present what is, to
the best of our knowledge, the largest publicly available labeled hyperspectral
dataset for semantic segmentation.
- Abstract(参考訳): ハイパースペクトラルイメージングは、コンピュータビジョンにおける画像分類と自動パターン認識のためのスペクトルシグネチャを特定することに大きな注目を集めている。
スナップショットハイパースペクトルイメージングの現在の実装は、レンズ、分光計、フィルターを含む、かさばる、非統合的で高価な光学素子に依存している。
これらのマクロコンポーネントは、リアルタイムおよび高解像度ビデオなどの高速データ処理を許可しない。
上述した制限に対処する新しい統合アーキテクチャであるHyplexを紹介する。
HyplexはCMOS互換の高速ハイパースペクトルカメラで、バルク光学をナノスケールのメタ曲面に置き換える。
ハイプレックスは分光計を必要とせず、従来のモノクロカメラを使用し、安価でリアルタイムかつ高解像度のハイパースペクトルイメージングの可能性を開く。
Hyplexはモデル駆動最適化を利用して、物理的なメタ曲面層と、エンドツーエンドのトレーニングに基づく現代的なビジュアルコンピューティングアプローチを接続する。
我々はHyplexのプロトタイプを設計、実装し、スペクトル再構成やセマンティックセグメンテーションといった典型的な画像処理の最先端技術と比較する。
すべてのベンチマークにおいて、Hyplexは最小の再構成エラーを報告している。
さらに、私たちの知る限り、セマンティックセグメンテーションのための最大の公開ラベル付きハイパースペクトルデータセットを提示します。
関連論文リスト
- HyperDet: Generalizable Detection of Synthesized Images by Generating and Merging A Mixture of Hyper LoRAs [17.88153857572688]
我々はHyperDetと呼ばれる新しい、一般化可能な検出フレームワークを紹介した。
本研究では,画素とセマンティックアーティファクトを効果的にバランスさせる目的関数を提案する。
我々の研究は、事前訓練された大きな視覚モデルに基づいて、一般化可能なドメイン固有の偽画像検出器を確立する新しい方法である。
論文 参考訳(メタデータ) (2024-10-08T13:43:01Z) - Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。
Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
論文 参考訳(メタデータ) (2024-08-09T01:21:15Z) - SpectralZoom: Efficient Segmentation with an Adaptive Hyperspectral Camera [3.0175628677371935]
得られたデータフットプリントとハイパースペクトルセグメンテーションの計算負荷を緩和するビジョントランスフォーマー(ViT)アルゴリズムを提案する。
我々のカメラは、高スペクトル立方体全体を1つの高解像度でキャプチャする代わりに、異なる解像度で画像領域やパッチを適応的にサンプリングすることができる。
論文 参考訳(メタデータ) (2024-06-06T17:33:23Z) - Equivariant Imaging for Self-supervised Hyperspectral Image Inpainting [6.099927091387616]
ハイパースペクトル同変イメージング(Hyper-EI)と呼ばれる新しいHSI塗装アルゴリズムを提案する。
提案手法は,既存手法と比較して,最先端の塗装性能を実現する。
論文 参考訳(メタデータ) (2024-04-19T19:55:15Z) - HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling
Deep Network for Snapshot Compressive Imaging [41.91463343106411]
ハイパースペクトルイメージングは、特にリモートセンシング、農業、医学において、幅広い用途に欠かせない画像モダリティである。
低予算のスナップショット測定からハイパスペクトル画像(HSI)を再構築する、遅い、高価、またはかさばる既存のハイパースペクトルカメラにインスパイアされたことが注目されている。
スペクトルスナップショットセンシング(SCI)のための最近のディープ・アンフォールディング・ネットワーク(DUN)は、目覚ましい成功を収めている。
本稿では、ISTAアンフォールディングフレームワークの下で複数のフェーズを含むHerosNetと呼ばれる、SCIのためのハイパースペクトル拡張型再構成と最適サンプリングディープネットワークを提案する。
論文 参考訳(メタデータ) (2021-12-12T13:42:49Z) - Video Coding for Machine: Compact Visual Representation Compression for
Intelligent Collaborative Analytics [101.35754364753409]
Video Coding for Machines (VCM) は、ビデオ/画像圧縮と特徴圧縮をある程度別々の研究トラックにブリッジすることを約束している。
本稿では,既存の学術・産業活動に基づくVCM方法論と哲学を要約する。
論文 参考訳(メタデータ) (2021-10-18T12:42:13Z) - Deep Learning Approach for Hyperspectral Image Demosaicking, Spectral
Correction and High-resolution RGB Reconstruction [3.0478210530038443]
教師付き学習手法を用いたハイパースペクトル画像のスナップショット化のための深層学習に基づく画像復号アルゴリズムを提案する。
医用画像が公開されていないため,既存の医用画像データセットからのスナップショット画像をシミュレートする合成画像生成手法が提案されている。
得られたデシック画像は定量的かつ質的に評価され、画像品質の明確な改善が示される。
論文 参考訳(メタデータ) (2021-09-03T09:50:03Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳(メタデータ) (2020-05-18T14:25:50Z) - Towards Coding for Human and Machine Vision: A Scalable Image Coding
Approach [104.02201472370801]
圧縮モデルと生成モデルの両方を活用することにより,新しい画像符号化フレームワークを考案した。
高度な生成モデルを導入することで、コンパクトな特徴表現と参照画素から画像を再構成するフレキシブルネットワークを訓練する。
実験により、人間の視覚的品質と顔のランドマーク検出の両方において、我々の枠組みが優れていることが示された。
論文 参考訳(メタデータ) (2020-01-09T10:37:17Z)
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。