論文の概要: A 3-stage Spectral-spatial Method for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2204.09294v1
- Date: Wed, 20 Apr 2022 08:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 21:58:01.536039
- Title: A 3-stage Spectral-spatial Method for Hyperspectral Image Classification
- Title（参考訳）: ハイパースペクトル画像分類のための3段階スペクトル空間法
- Authors: Raymond H. Chan, Ruoning Li
- Abstract要約: ハイパースペクトル画像中の画素の分類に空間情報とスペクトル情報の両方を利用する新しいフレームワークを提案する。
6つのベンチマークハイパースペクトルデータセット上での3つの最先端アルゴリズムに対する本手法の優位性を示す。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral images often have hundreds of spectral bands of different
wavelengths captured by aircraft or satellites that record land coverage.
Identifying detailed classes of pixels becomes feasible due to the enhancement
in spectral and spatial resolution of hyperspectral images. In this work, we
propose a novel framework that utilizes both spatial and spectral information
for classifying pixels in hyperspectral images. The method consists of three
stages. In the first stage, the pre-processing stage, Nested Sliding Window
algorithm is used to reconstruct the original data by {enhancing the
consistency of neighboring pixels} and then Principal Component Analysis is
used to reduce the dimension of data. In the second stage, Support Vector
Machines are trained to estimate the pixel-wise probability map of each class
using the spectral information from the images. Finally, a smoothed total
variation model is applied to smooth the class probability vectors by {ensuring
spatial connectivity} in the images. We demonstrate the superiority of our
method against three state-of-the-art algorithms on six benchmark hyperspectral
data sets with 10 to 50 training labels for each class. The results show that
our method gives the overall best performance in accuracy. Especially, our gain
in accuracy increases when the number of labeled pixels decreases and therefore
our method is more advantageous to be applied to problems with small training
set. Hence it is of great practical significance since expert annotations are
often expensive and difficult to collect.
- Abstract（参考訳）: ハイパースペクトル画像は、航空機や衛星によって捉えられた数百の異なる波長のスペクトル帯域を持つことが多い。
ハイパースペクトル画像のスペクトル及び空間分解能の増大により,詳細な画素の分類が可能となる。
本研究では,ハイパースペクトル画像中の画素の分類に空間情報とスペクトル情報の両方を利用する新しいフレームワークを提案する。
方法は3段階からなる。
第1段階では、前処理段階であるネストスライディングウィンドウアルゴリズムを使用して、隣り合うピクセルの一貫性を高めることにより元のデータを再構築し、次に主成分分析を使用してデータの次元を縮小する。
第2段階では、サポートベクターマシンを訓練し、画像からのスペクトル情報を用いて各クラスの画素毎の確率マップを推定する。
最後に、画像中の空間的接続性を検証することによってクラス確率ベクトルを滑らかにするために、平滑化全変動モデルを適用する。
本手法は,クラス毎に10から50のトレーニングラベルを持つ6つのベンチマークハイパースペクトルデータセットにおいて,3つの最先端アルゴリズムに対して優れていることを示す。
その結果,本手法は全体の性能を精度良く評価できることがわかった。
特に,ラベル付き画素数が減少するにつれて精度が上昇するので,学習セットが小さい問題に適用する方が有利である。
したがって、専門家のアノテーションは高価で収集が難しいことが多いため、非常に実践的な意味を持つ。
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) - Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques [0.6384650391969042]
本稿では,大規模ハイパースペクトル画像に対するスペクトル表現学習と分類において重要な課題に対処するToulouse Hyperspectral Data Setについて述べる。
我々は,Masked Autoencoderを含むスペクトル表現学習のための自己指導的手法を議論し,また,総合精度85%,F1スコア77%を達成できる画素単位の分類基準を確立する。
論文 参考訳（メタデータ） (2023-11-15T10:49:15Z) - 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) - A novel information gain-based approach for classification and
dimensionality reduction of hyperspectral images [0.0]
本稿では,高スペクトル画像の次元化と分類のための情報ゲインに基づく新しいフィルタ手法を提案する。
ハイパースペクトル帯の選択に基づく特別な戦略が採用され、最も情報性の高いバンドを選択し、無関係でノイズの多いバンドを捨てる。
提案手法は,2つのベンチマークハイパースペクトルデータセット(インド,パヴィア)と3つの競合する手法を用いて比較する。
論文 参考訳（メタデータ） (2022-10-26T20:59:57Z) - Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。
バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文 参考訳（メタデータ） (2022-04-21T01:32:22Z) - Multispectral Satellite Data Classification using Soft Computing
Approach [5.3971200250581814]
本稿では,オブジェクトの識別のためのグリッド密度に基づくクラスタリング手法を提案する。
本稿では,ルール帰納型機械学習アルゴリズムを用いて衛星画像データを分類する手法を提案する。
論文 参考訳（メタデータ） (2022-03-21T17:25:09Z) - Hyperspectral Pansharpening Based on Improved Deep Image Prior and
Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化
近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。
深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文 参考訳（メタデータ） (2021-07-06T14:11:03Z) - Learning Hyperspectral Feature Extraction and Classification with
ResNeXt Network [2.9967206019304937]
ハイパースペクトル画像分類 (HSI) は標準的なリモートセンシングタスクであり、各画像ピクセルには地球表面の物理的土地被覆を示すラベルが与えられる。
ハイパースペクトル画像におけるスペクトルおよび空間的手がかりの両利用により,ハイパースペクトル画像分類における分類精度が向上した。
ハイパースペクトル画像から空間的およびスペクトル的手がかりを抽出するために3次元畳み込みニューラルネットワーク(3D-CNN)のみを使用すると、パラメータの爆発が起こり、計算コストが高くなる。
スペクトル空間情報をモデル化するための3次元畳み込みを利用したMixedSNと呼ばれるネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-07T01:54:15Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳（メタデータ） (2020-01-14T03:34:55Z)
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。