論文の概要: A CNN with Noise Inclined Module and Denoise Framework for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2205.12459v1
• Date: Wed, 25 May 2022 03:12:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-28 18:12:57.764231
• Title: A CNN with Noise Inclined Module and Denoise Framework for Hyperspectral Image Classification
• Title（参考訳）: 雑音傾斜モジュールを有するcnnとハイパースペクトル画像分類のための雑音枠組み
• Authors: Zhiqiang Gong and Ping Zhong and Jiahao Qi and Panhe Hu
• Abstract要約: 本研究は,高スペクトル画像分類のための雑音傾斜モジュールと denoise フレームワークを備えた新しいディープラーニングフレームワークを開発する。 各オブジェクト内の物理的ノイズをキャプチャするためにノイズ傾斜モジュールが開発され、その後、ノイズ傾斜フレームワークが続き、オブジェクトからそのようなノイズを除去する。 雑音傾斜モジュール付きCNNとディネーズフレームワークを開発し、識別特性を求め、高スペクトル画像の優れた分類性能を提供する。
• 参考スコア（独自算出の注目度）: 7.217678679646926
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Deep Neural Networks have been successfully applied in hyperspectral image classification. However, most of prior works adopt general deep architectures while ignore the intrinsic structure of the hyperspectral image, such as the physical noise generation. This would make these deep models unable to generate discriminative features and provide impressive classification performance. To leverage such intrinsic information, this work develops a novel deep learning framework with the noise inclined module and denoise framework for hyperspectral image classification. First, we model the spectral signature of hyperspectral image with the physical noise model to describe the high intraclass variance of each class and great overlapping between different classes in the image. Then, a noise inclined module is developed to capture the physical noise within each object and a denoise framework is then followed to remove such noise from the object. Finally, the CNN with noise inclined module and the denoise framework is developed to obtain discriminative features and provides good classification performance of hyperspectral image. Experiments are conducted over two commonly used real-world datasets and the experimental results show the effectiveness of the proposed method. The implementation of the proposed method and other compared methods could be accessed at https://github.com/shendu-sw/noise-physical-framework.
• Abstract（参考訳）: ディープニューラルネットワークはハイパースペクトル画像分類に成功している。 しかし、先行研究の多くは、物理ノイズ発生のような超スペクトル像の本質的な構造を無視しながら、一般的な深層構造を採用する。 これにより、深層モデルでは差別的な特徴が生成できず、優れた分類性能が得られる。 このような本質的な情報を活用するために,高スペクトル画像分類のための雑音傾斜モジュールと難読化フレームワークを備えた新しいディープラーニングフレームワークを開発した。 まず,高スペクトル画像のスペクトルシグネチャを物理ノイズモデルでモデル化し,各クラスの高階内分散と画像内の異なるクラス間の大きな重なり合いを記述する。 次に、各オブジェクト内の物理ノイズをキャプチャするためにノイズ傾斜モジュールを開発し、そのノイズをオブジェクトから取り除くためにノイズフレームを続行する。 最後に,雑音傾斜モジュール付きCNNとディネーズフレームワークを開発し,識別特性を求め,高スペクトル画像の優れた分類性能を提供する。 2つの実世界のデータセットを用いて実験を行い,提案手法の有効性を示す実験結果を得た。 提案手法と他の比較手法の実装はhttps://github.com/shendu-sw/noise-physical-frameworkでアクセス可能である。

関連論文リスト

• Deep Learning CT Image Restoration using System Blur and Noise Models [2.2530496464901106]
  本稿では,劣化した画像入力とシステムの曖昧さとノイズを両立させ,モデリングとディープラーニングのアプローチを組み合わせる手法を提案する。 その結果,システムボケと雑音特性を表す補助入力を用いた深層学習モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-07-20T21:17:35Z)
• Data Augmentation in Training CNNs: Injecting Noise to Images [0.0]
  本研究では,CNNアーキテクチャに様々な大きさの異なるノイズモデルを追加したり,適用したりすることの効果について分析する。 基本的な結果は、機械学習における一般的な概念のほとんどに適合している。 新しいアプローチは、画像分類のための最適な学習手順をよりよく理解する。
  論文  参考訳（メタデータ） (2023-07-12T17:29:42Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。