Fugu-MT 論文翻訳(概要): JigsawHSI: a network for Hyperspectral Image classification

論文の概要: JigsawHSI: a network for Hyperspectral Image classification

arxiv url: http://arxiv.org/abs/2206.02327v1
Date: Mon, 6 Jun 2022 02:56:51 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 14:14:32.262800
Title: JigsawHSI: a network for Hyperspectral Image classification
Title（参考訳）: JigsawHSI:ハイパースペクトル画像分類のためのネットワーク
Authors: Jaime Moraga, H. Sebnem Duzgun
Abstract要約: 本稿では、インセプションに基づく畳み込みニューラルネットワーク(CNN)であるJigsawHSIの性能について述べる。ネットワークはスペクトル空間の3D-CNNであるHybridSNと比較され、2D-CNNはデータセットの最先端結果を達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This article describes the performance of JigsawHSI,a convolutional neural network (CNN) based on Inception but tailored for geoscientific analyses, on classification with the Indian Pines, Pavia University and Salinas hyperspectral image data sets. The network is compared against HybridSN, a spectral-spatial 3D-CNN followed by 2D-CNN that achieves state-of-the-art results in the datasets. This short article proves that JigsawHSI is able to meet or exceed HybridSN performance in all three cases. Additionally, the code and toolkit are made available.
Abstract（参考訳）: 本稿ではインセプションに基づく畳み込みニューラルネットワーク(CNN)であるJigsawHSIの性能について述べる。ネットワークはスペクトル空間の3D-CNNであるHybridSNと比較され、2D-CNNはデータセットの最先端結果を達成する。この記事では、JigsawHSIが3つのケースすべてでHybridSNのパフォーマンスを達成または超えることを証明します。さらに、コードとツールキットも利用可能である。

関連論文リスト

HyperKAN: Kolmogorov-Arnold Networks make Hyperspectral Image Classificators Smarter [0.0699049312989311]
本稿では,従来のネットワークの線形層と畳み込み層をKANベースのネットワークに置き換えることを提案する。これらの修正により,高スペクトルリモートセンシング画像の画素単位の分類精度が大幅に向上した。最も大きな効果は、スペクトルデータのみを扱う畳み込みネットワークにおいて達成された。
論文参考訳（メタデータ） (2024-07-07T06:36:09Z)
CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文参考訳（メタデータ） (2024-04-23T08:19:08Z)
Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification [1.2691047660244332]
本稿では,3次元CNN,2次元CNN,Bi-LSTMを組み合わせたニューラルネットワークを提案する。 99.83、99.98、100%の精度を達成でき、それぞれIP、PU、SAデータセットにおける最先端モデルのトレーニング可能なパラメータは30%に過ぎなかった。
論文参考訳（メタデータ） (2024-02-15T15:46:13Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Dive into Layers: Neural Network Capacity Bounding using Algebraic Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文参考訳（メタデータ） (2021-09-03T11:45:51Z)
A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文参考訳（メタデータ） (2021-08-30T06:09:02Z)
SAR Image Classification Based on Spiking Neural Network through Spike-Time Dependent Plasticity and Gradient Descent [7.106664778883502]
スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つである。本稿では、教師なしおよび教師なし学習SNNに基づいて、完全なSAR画像を構築する。
論文参考訳（メタデータ） (2021-06-15T09:36:04Z)
Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN [1.2875323263074796]
2Dおよび3DCNNモデルは、ハイパースペクトル画像の空間的およびスペクトル情報を利用するのに非常に効率的であることが証明されている。この研究は、計算コストを大幅に削減する軽量CNN(3Dと2D-CNN)モデルを提案した。
論文参考訳（メタデータ） (2021-01-25T18:43:57Z)
Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文参考訳（メタデータ） (2020-12-07T03:44:35Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
Hyperspectral Classification Based on 3D Asymmetric Inception Network with Data Fusion Transfer Learning [36.05574127972413]
私たちはまず、3D非対称なインセプションネットワークであるAINetを提供し、過度に適合する問題を克服します。 HSIデータの空間的コンテキストに対するスペクトルシグネチャの強調により、AINetはこの機能を効果的に伝達し、分類することができる。
論文参考訳（メタデータ） (2020-02-11T06:37:34Z)

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。