論文の概要: GAF-NAU: Gramian Angular Field encoded Neighborhood Attention U-Net for
Pixel-Wise Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2204.10099v1
- Date: Thu, 21 Apr 2022 13:45:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 14:22:40.942787
- Title: GAF-NAU: Gramian Angular Field encoded Neighborhood Attention U-Net for
Pixel-Wise Hyperspectral Image Classification
- Title（参考訳）: GAF-NAU:画素幅ハイパースペクトル画像分類のための周辺注意U-Netを符号化したグラミアン角場
- Authors: Sidike Paheding, Abel A. Reyes, Anush Kasaragod, Thomas Oommen
- Abstract要約: 我々は,ピクセルベースのHSI分類のための新しいディープラーニングアーキテクチャ,すなわちGramian Angular Field Encoded Neighborhood Attention U-Net(GAF-NAU)を提案する。
提案手法は,2D-CNNに基づく分類を行うために,対象画素を中心にした領域やパッチを必要としない。
公開されている3つのHSIデータセットの評価結果から,提案モデルの有効性が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral image (HSI) classification is the most vibrant area of research
in the hyperspectral community due to the rich spectral information contained
in HSI can greatly aid in identifying objects of interest. However, inherent
non-linearity between materials and the corresponding spectral profiles brings
two major challenges in HSI classification: interclass similarity and
intraclass variability. Many advanced deep learning methods have attempted to
address these issues from the perspective of a region/patch-based approach,
instead of a pixel-based alternate. However, the patch-based approaches
hypothesize that neighborhood pixels of a target pixel in a fixed spatial
window belong to the same class. And this assumption is not always true. To
address this problem, we herein propose a new deep learning architecture,
namely Gramian Angular Field encoded Neighborhood Attention U-Net (GAF-NAU),
for pixel-based HSI classification. The proposed method does not require
regions or patches centered around a raw target pixel to perform 2D-CNN based
classification, instead, our approach transforms 1D pixel vector in HSI into 2D
angular feature space using Gramian Angular Field (GAF) and then embed it to a
new neighborhood attention network to suppress irrelevant angular feature while
emphasizing on pertinent features useful for HSI classification task.
Evaluation results on three publicly available HSI datasets demonstrate the
superior performance of the proposed model.
- Abstract（参考訳）: ハイパースペクトラル画像(hsi)分類は、hsiに含まれる豊富なスペクトル情報が興味のある対象を特定するのに大きく役立つため、ハイパースペクトラルコミュニティで最も活発な研究領域である。
しかしながら、材料と対応するスペクトルプロファイルの間の固有の非線形性は、hsi分類において2つの大きな課題をもたらす。
多くの高度なディープラーニング手法は、ピクセルベースの代替ではなく、領域/パッチベースのアプローチの観点からこれらの問題に対処しようと試みてきた。
しかし、パッチベースのアプローチは、固定空間ウィンドウ内の対象画素の近傍ピクセルが同じクラスに属することを仮定する。
そして、この仮定は必ずしも真実ではない。
この問題に対処するため、画素ベースのHSI分類のための新しいディープラーニングアーキテクチャ(Gramian Angular Field encoded Neighborhood Attention U-Net(GAF-NAU)を提案する。
提案手法では,2d-cnnに基づく分類を行うために,生のターゲット画素を中心とした領域やパッチを必要とせず,hsi内の1d画素ベクトルをグラニアン角場(gaf)を用いて2dの角特徴空間に変換し,それを新しい近傍注意ネットワークに埋め込むことにより,hsi分類タスクに有用な関連する特徴を強調しつつ,無関係な角特徴を抑制する。
3つの公開HSIデータセットの評価結果から,提案モデルの有効性が示された。
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) - Multiview Subspace Clustering of Hyperspectral Images based on Graph
Convolutional Networks [12.275530282665578]
本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。
このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。
合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
論文 参考訳（メタデータ） (2024-03-03T10:19:18Z) - 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) - DCN-T: Dual Context Network with Transformer for Hyperspectral Image
Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。
本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。
提案手法は,HSI分類における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-04-19T18:32:52Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z) - 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) - Grafting Transformer on Automatically Designed Convolutional Neural
Network for Hyperspectral Image Classification [7.606096775949237]
ハイパースペクトル画像(HSI)分類は意思決定のホットトピックである。
ディープラーニングに基づくHSI分類法は有望な性能を達成した。
HSI分類のために、いくつかのニューラルアーキテクチャサーチ(NAS)アルゴリズムが提案されている。
論文 参考訳（メタデータ） (2021-10-21T11:51:51Z) - 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) - SLCRF: Subspace Learning with Conditional Random Field for Hyperspectral
Image Classification [13.541897463935305]
サブスペース学習(SL)は,高スペクトル画像(HSI)分類において重要な役割を担っている。
SLに関するこれまでの研究は、HSI認識の精度を向上させることを目的としていた。
条件付きランダムフィールド(SLCRF)を用いた部分空間学習(subspace learning)と呼ばれる確率仮定を含む新しいSL法を開発した。
論文 参考訳（メタデータ） (2020-10-07T02:25:32Z) - Hyperspectral Image Classification with Spatial Consistence Using Fully
Convolutional Spatial Propagation Network [9.583523548244683]
深部畳み込みニューラルネットワーク(CNN)は、高スペクトル画像(HSI)を表現できる印象的な能力を示している
本稿では,HSI分類のための新しいエンドツーエンドの画素間完全畳み込み空間伝搬ネットワーク(FCSPN)を提案する。
FCSPNは3次元完全畳み込みネットワーク(3D-FCN)と畳み込み空間伝播ネットワーク(CSPN)からなる。
論文 参考訳（メタデータ） (2020-08-04T09:05:52Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳（メタデータ） (2020-02-11T14:04:56Z)
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。