論文の概要: HyDe: The First Open-Source, Python-Based, GPU-Accelerated Hyperspectral Denoising Package

• arxiv url: http://arxiv.org/abs/2204.06979v1
• Date: Thu, 14 Apr 2022 14:08:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 18:07:02.488142
• Title: HyDe: The First Open-Source, Python-Based, GPU-Accelerated Hyperspectral Denoising Package
• Title（参考訳）: HyDe:初のオープンソース、Pythonベース、GPUアクセラレーションによるハイパースペクトルデノイングパッケージ
• Authors: Daniel Coquelin, Behnood Rasti, Markus G\"otz, Pedram Ghamisi, Richard Gloaguen, and Achim Streit
• Abstract要約: ハイパースペクトル認知は、ハイパースペクトル画像を分析するための重要なステップである。 HyDeは、最初のオープンソース、GPUアクセラレーションされたPythonベースのハイパースペクトル画像デノイングツールボックスである。
• 参考スコア（独自算出の注目度）: 9.744058313500942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As with any physical instrument, hyperspectral cameras induce different kinds of noise in the acquired data. Therefore, Hyperspectral denoising is a crucial step for analyzing hyperspectral images (HSIs). Conventional computational methods rarely use GPUs to improve efficiency and are not fully open-source. Alternatively, deep learning-based methods are often open-source and use GPUs, but their training and utilization for real-world applications remain non-trivial for many researchers. Consequently, we propose HyDe: the first open-source, GPU-accelerated Python-based, hyperspectral image denoising toolbox, which aims to provide a large set of methods with an easy-to-use environment. HyDe includes a variety of methods ranging from low-rank wavelet-based methods to deep neural network (DNN) models. HyDe's interface dramatically improves the interoperability of these methods and the performance of the underlying functions. In fact, these methods maintain similar HSI denoising performance to their original implementations while consuming nearly ten times less energy. Furthermore, we present a method for training DNNs for denoising HSIs which are not spatially related to the training dataset, i.e., training on ground-level HSIs for denoising HSIs with other perspectives including airborne, drone-borne, and space-borne. To utilize the trained DNNs, we show a sliding window method to effectively denoise HSIs which would otherwise require more than 40 GB. The package can be found at: \url{https://github.com/Helmholtz-AI-Energy/HyDe}.
• Abstract（参考訳）: 他の物理機器と同様に、ハイパースペクトルカメラは取得したデータの様々な種類のノイズを誘導する。 したがって、ハイパースペクトラルデノージングはハイパースペクトラル画像(hsis)を分析する上で重要なステップである。 従来の計算手法ではGPUを使って効率を向上させることはほとんどなく、完全にオープンソースではない。 あるいは、ディープラーニングベースのメソッドは、しばしばオープンソースでGPUを使用するが、実際のアプリケーションに対するトレーニングと利用は、多くの研究者にとって簡単ではない。 そこで,我々はHyDeを提案する。HyDeはPythonベースのハイパースペクトル画像デノゲーションツールボックスで,使い勝手の良い環境で大規模な手法を提供することを目的としている。 HyDeには、低ランクウェーブレットベースの方法からディープニューラルネットワーク(DNN)モデルまで、さまざまな方法が含まれている。 HyDeのインターフェースは、これらのメソッドの相互運用性と基礎となる関数のパフォーマンスを劇的に改善する。 実際、これらの手法はオリジナルの実装と同じようなhsi同期性能を維持しつつ、エネルギーの約10分の1を消費している。 さらに,訓練データセットと空間的に無関係なhsisをデノーミングするためのdnnの訓練方法,すなわち地上レベルのhsisのトレーニングと,航空機やドローン、宇宙飛行など他の視点でdnnをデノーミングする手法を提案する。 トレーニングされたDNNを利用するために,40GB以上のHSIを効果的に識別するスライディングウインドウ法を提案する。 パッケージは以下の通りである。 \url{https://github.com/Helmholtz-AI-Energy/HyDe}。

関連論文リスト

• Hybrid Spatial-spectral Neural Network for Hyperspectral Image Denoising [10.588958070064916]
  本稿では,CNNとTransformer特性にインスパイアされたハイブリッド空間スペクトル復調ネットワークを提案する。 提案手法は空間的およびスペクトル的再構成における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-13T03:27:01Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Learning to adapt unknown noise for hyperspectral image denoising [47.211404580222855]
  重み付きネットワーク(HWnet)による重みの予測を提案する。 HWnetは、バイレベル最適化フレームワークにおけるいくつかのモデルベースのHSI記述法から、正確に学習されている。 大規模な実験により、提案されたHWnetは、異なる複雑なノイズを扱うためのHSIデノナイジングモデルの能力を向上させるのに大いに役立つことが確認された。
  論文  参考訳（メタデータ） (2022-12-09T03:28:07Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising [10.597014770267672]
  ディープ・ラーニング (DL) に基づくハイパースペクトル画像 (HSI) 法は、観測されたノイズ画像と基礎となるクリーン画像との間の非線形マッピングを直接学習する。 本稿では,HSIデノベーションのための新しいモデルガイド付き解釈可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-03T11:05:01Z)
• Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior [20.800924148446978]
  HSI混合雑音除去のための空間スペクトル制約深部画像(S2DIP)を提案する。 提案したS2DIPは、訓練データなしで深部CNNから得られる表現力を利用する。 提案手法は, DIPのHSI復調能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-08-22T04:25:08Z)
• Multiscale Sparsifying Transform Learning for Image Denoising [24.04866867707783]
  細部部分バンドの分極化を必要とせずに,効率的なマルチスケール手法を考案できることを示す。 研究手法を網羅的に分析・評価し、よく知られた最先端の手法と比較する。
  論文  参考訳（メタデータ） (2020-03-25T08:13:16Z)

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。