論文の概要: Active Diffusion and VCA-Assisted Image Segmentation of Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2204.06298v1
• Date: Wed, 13 Apr 2022 11:00:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 12:43:40.161446
• Title: Active Diffusion and VCA-Assisted Image Segmentation of Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像の能動拡散とVCA支援画像分割
• Authors: Sam L. Polk, Kangning Cui, Robert J. Plemmons, and James M. Murphy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.16230883032882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral images encode rich structure that can be exploited for material discrimination by machine learning algorithms. This article introduces the Active Diffusion and VCA-Assisted Image Segmentation (ADVIS) for active material discrimination. ADVIS selects high-purity, high-density pixels that are far in diffusion distance (a data-dependent metric) from other high-purity, high-density pixels in the hyperspectral image. The ground truth labels of these pixels are queried and propagated to the rest of the image. The ADVIS active learning algorithm is shown to strongly outperform its fully unsupervised clustering algorithm counterpart, suggesting that the incorporation of a very small number of carefully-selected ground truth labels can result in substantially superior material discrimination in hyperspectral images.
• Abstract（参考訳）: 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材料識別に利用されるリッチな構造を符号化する。 本稿では,アクティブディフュージョンとVCA支援イメージセグメンテーション(ADVIS)について紹介する。 ADVISは、ハイパースペクトル画像中の他の高純度高密度画素から、拡散距離(データ依存距離)が遠い高純度高密度画素を選択する。 これらの画素の基底真理ラベルは、残りの画像にクエリされ、伝播される。 advisのアクティブラーニングアルゴリズムは、完全に教師なしのクラスタリングアルゴリズムを強力に上回っており、非常に少数の注意深く選択された基底真理ラベルを組み込むことで、ハイパースペクトル画像における物質的識別を大幅に上回る可能性があることを示唆している。

関連論文リスト

• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• HyperDID: Hyperspectral Intrinsic Image Decomposition with Deep Feature Embedding [9.32185717565188]
  本研究は, 深い特徴埋め込みを導入することで, 分類タスクの超スペクトル固有画像分解について再考する。 提案フレームワークであるHyperDIDには,環境特徴モジュール(EFM)とカテゴリー特徴モジュール(CFM)が組み込まれ,固有の特徴を抽出する。 3つの一般的なデータセットに対する実験結果は、ハイパースペクトル画像分類性能を改善するためにHyperDIDの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-25T02:05:10Z)
• Latent Space Energy-based Model for Fine-grained Open Set Recognition [46.0388856095674]
  微細なオープンセット認識(FineOSR)は、未知のクラスのイメージを拒絶しながら、微妙な外観の違いを持つクラスに属する画像を認識することを目的としている。 生成モデルの一種として、エネルギーベースモデル(EBM)は、生成的タスクと識別的タスクのハイブリッドモデリングのポテンシャルである。 本稿では,OSRの精密な視覚空間におけるエネルギーに基づく事前分布を用いた低次元潜伏空間について検討する。
  論文  参考訳（メタデータ） (2023-09-19T16:00:09Z)
• Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation [27.82940072548603]
  本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。 提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
  論文  参考訳（メタデータ） (2023-04-06T22:43:13Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Diffusion and Volume Maximization-Based Clustering of Highly Mixed Hyperspectral Images [5.16230883032882]
  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。
  論文  参考訳（メタデータ） (2022-03-18T14:39:42Z)
• 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)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)

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。