論文の概要: Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and
Clustering with Diffusion Geometry
- arxiv url: http://arxiv.org/abs/2204.13497v1
- Date: Thu, 28 Apr 2022 13:42:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 19:17:20.950437
- Title: Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and
Clustering with Diffusion Geometry
- Title（参考訳）: 拡散幾何による非教師なし空間分光ハイパースペクトル画像再構成とクラスタリング
- Authors: Kangning Cui, Ruoning Li, Sam L. Polk, James M. Murphy, Robert J.
Plemmons, Raymond H. Chan
- Abstract要約: 本研究では,高度に混合したハイパースペクトル画像の分割のための空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを提案する。
DSIRCは、データ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣のピクセルを用いて再構成する。
その結果,画像再構成による空間情報の取り込みにより,画素単位のクラスタリングの性能が大幅に向上することが示唆された。
- 参考スコア（独自算出の注目度）: 6.279792995020646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral images, which store a hundred or more spectral bands of
reflectance, have become an important data source in natural and social
sciences. Hyperspectral images are often generated in large quantities at a
relatively coarse spatial resolution. As such, unsupervised machine learning
algorithms incorporating known structure in hyperspectral imagery are needed to
analyze these images automatically. This work introduces the Spatial-Spectral
Image Reconstruction and Clustering with Diffusion Geometry (DSIRC) algorithm
for partitioning highly mixed hyperspectral images. DSIRC reduces measurement
noise through a shape-adaptive reconstruction procedure. In particular, for
each pixel, DSIRC locates spectrally correlated pixels within a data-adaptive
spatial neighborhood and reconstructs that pixel's spectral signature using
those of its neighbors. DSIRC then locates high-density, high-purity pixels far
in diffusion distance (a data-dependent distance metric) from other
high-density, high-purity pixels and treats these as cluster exemplars, giving
each a unique label. Non-modal pixels are assigned the label of their diffusion
distance-nearest neighbor of higher density and purity that is already labeled.
Strong numerical results indicate that incorporating spatial information
through image reconstruction substantially improves the performance of
pixel-wise clustering.
- Abstract（参考訳）: 百以上の反射スペクトルを格納するハイパースペクトル画像は、自然科学や社会科学において重要なデータ源となっている。
ハイパースペクトル画像は、しばしば比較的粗い空間分解能で大量に生成される。
そのため、ハイパースペクトル画像に既知の構造を組み込んだ教師なし機械学習アルゴリズムが必要となる。
本研究では,空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを導入する。
DSIRCは形状適応型再構成法により測定ノイズを低減する。
特に、各画素について、DSIRCはデータ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣の画素を用いて再構成する。
その後、DSIRCは高密度高純度画素を他の高密度高純度画素から遠く離れた拡散距離(データ依存距離メートル法)に配置し、それぞれにユニークなラベルを与える。
非モード画素は、既にラベル付けされている密度と純度の高い拡散距離アネレスト近傍のラベルに割り当てられる。
画像再構成による空間情報の取り込みにより,ピクセルワイドクラスタリングの性能が大幅に向上することを示す。
関連論文リスト
- HyperColorization: Propagating spatially sparse noisy spectral clues for reconstructing hyperspectral images [2.7214317850962106]
グレースケールガイド画像から高スペクトル像を再構成し,空間的に粗いスペクトル手がかりを抽出するカラー化を提案する。
提案アルゴリズムは,高スペクトル画像の様々なスペクトル次元に一般化し,低ランク空間における色付けが計算時間とショットノイズの影響を低減させることを示す。
論文 参考訳（メタデータ） (2024-03-18T16:33:43Z) - 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) - 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) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - 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) - Self-supervised spectral matching network for hyperspectral target
detection [8.831857715361624]
いくつかのターゲットサンプルから、航空機、車両、船舶などの特定のターゲットピクセルをハイパースペクトル画像全体から識別することを目的としています。
一般に、背景ピクセルは画像の大部分を取り、複雑に分散します。
スペクトル混合に基づく自己監視型パラダイムは、ハイパースペクトルデータのために設計され、効果的な特徴表現を得る。
論文 参考訳（メタデータ） (2021-05-10T02:32:58Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z) - 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)
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。