論文の概要: HyperNet: Self-Supervised Hyperspectral Spatial-Spectral Feature
Understanding Network for Hyperspectral Change Detection
- arxiv url: http://arxiv.org/abs/2207.09634v1
- Date: Wed, 20 Jul 2022 03:26:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 13:23:10.638671
- Title: HyperNet: Self-Supervised Hyperspectral Spatial-Spectral Feature
Understanding Network for Hyperspectral Change Detection
- Title（参考訳）: HyperNet:ハイパースペクトル変化検出のための自己監督型空間スペクトル特徴理解ネットワーク
- Authors: Meiqi Hu, Chen Wu, and Liangpei Zhang
- Abstract要約: HyperNetはピクセルレベルの自己監督型空間スペクトル理解ネットワークである。
有効高スペクトル変化検出のための画素ワイド特徴表現を実現する。
提案したHyperNetの有効性と一般化をテストするために,6つのハイパースペクトルデータセットが採用された。
- 参考スコア（独自算出の注目度）: 19.774857440703038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fast development of self-supervised learning lowers the bar learning
feature representation from massive unlabeled data and has triggered a series
of research on change detection of remote sensing images. Challenges in
adapting self-supervised learning from natural images classification to remote
sensing images change detection arise from difference between the two tasks.
The learned patch-level feature representations are not satisfying for the
pixel-level precise change detection. In this paper, we proposed a novel
pixel-level self-supervised hyperspectral spatial-spectral understanding
network (HyperNet) to accomplish pixel-wise feature representation for
effective hyperspectral change detection. Concretely, not patches but the whole
images are fed into the network and the multi-temporal spatial-spectral
features are compared pixel by pixel. Instead of processing the two-dimensional
imaging space and spectral response dimension in hybrid style, a powerful
spatial-spectral attention module is put forward to explore the spatial
correlation and discriminative spectral features of multi-temporal
hyperspectral images (HSIs), separately. Only the positive samples at the same
location of bi-temporal HSIs are created and forced to be aligned, aiming at
learning the spectral difference-invariant features. Moreover, a new similarity
loss function named focal cosine is proposed to solve the problem of imbalanced
easy and hard positive samples comparison, where the weights of those hard
samples are enlarged and highlighted to promote the network training. Six
hyperspectral datasets have been adopted to test the validity and
generalization of proposed HyperNet. The extensive experiments demonstrate the
superiority of HyperNet over the state-of-the-art algorithms on downstream
hyperspectral change detection tasks.
- Abstract（参考訳）: 自己教師付き学習の急速な発展は、バーラーニングの特徴表現を大量のラベルのないデータから低くし、リモートセンシング画像の変更検出に関する一連の研究を引き起こした。
自然画像分類からリモートセンシング画像への自己教師あり学習の適応における課題は、2つのタスクの違いから生じる。
学習したパッチレベルの特徴表現は、ピクセルレベルの正確な変化検出には満足していない。
本稿では,高スペクトル変化検出に有効な画素ワイド特徴表現を実現するために,新しい画素レベルの高スペクトル空間スペクトル理解ネットワーク(HyperNet)を提案する。
具体的にはパッチではなく、画像全体をネットワークに供給し、複数の時空間スペクトル特徴をピクセル単位で比較する。
2次元イメージング空間とスペクトル応答次元をハイブリッド方式で処理する代わりに、空間相関と多時間ハイパースペクトル画像(HSIs)の識別スペクトル特性を別々に探索するために、強力な空間-スペクトルアテンションモジュールが提案される。
両時間的HSIの同じ位置にある正のサンプルのみが作成され、スペクトル差不変の特徴を学習するために調整される。
さらに, 共焦点コサインと呼ばれる新しい類似性損失関数を提案し, ネットワークトレーニングを促進するために, ハードサンプルの重みを拡大・強調する不均衡とハードサンプルの比較を行った。
提案したHyperNetの有効性と一般化をテストするために,6つのハイパースペクトルデータセットが採用された。
大規模な実験は、下流のハイパースペクトル変化検出タスクにおける最先端アルゴリズムよりもHyperNetの方が優れていることを示す。
関連論文リスト
- 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) - Exploring Invariant Representation for Visible-Infrared Person
Re-Identification [77.06940947765406]
異なるスペクトルを横断する歩行者にアイデンティティを関連付けることを目的とした、クロススペクトルの人物再識別は、モダリティの相違の主な課題に直面している。
本稿では、ロバスト機能マイニングネットワーク(RFM)と呼ばれるエンドツーエンドのハイブリッド学習フレームワークにおいて、画像レベルと特徴レベルの両方の問題に対処する。
RegDBとSYSU-MM01という2つの標準的なクロススペクトル人物識別データセットの実験結果により,最先端の性能が示された。
論文 参考訳（メタデータ） (2023-02-02T05:24:50Z) - Multi-Temporal Spatial-Spectral Comparison Network for Hyperspectral
Anomalous Change Detection [32.23764287942984]
MTC-NET(Hyperspectral Anomalous Change Detection)のためのマルチテンポラル空間スペクトル比較ネットワークの提案を行った。
モデル全体はディープ・サイムズ・ネットワークであり、コントラスト学習により高スペクトル画像からの複雑な撮像条件から生じるスペクトル差を学習することを目的としている。
Viareggio 2013データセットの実験では、提案されたMCC-NETの有効性が示されている。
論文 参考訳（メタデータ） (2022-05-23T15:41:27Z) - A Dual Neighborhood Hypergraph Neural Network for Change Detection in
VHR Remote Sensing Images [12.222830717774118]
本稿では,双対近傍ハイパーグラフニューラルネットワークを提案する。
提案手法は,多くの最先端手法と比較して有効性とロバスト性が高い。
論文 参考訳（メタデータ） (2022-02-27T02:39:08Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - Unsupervised Change Detection in Hyperspectral Images using Feature
Fusion Deep Convolutional Autoencoders [15.978029004247617]
本研究の目的は,機能融合深部畳み込みオートエンコーダを用いた特徴抽出システムの構築である。
提案手法は,全データセットの教師なし変更検出において,工法の状態よりも明らかに優れていた。
論文 参考訳（メタデータ） (2021-09-10T16:52:31Z) - Unsupervised Spatial-spectral Network Learning for Hyperspectral
Compressive Snapshot Reconstruction [16.530040002441694]
圧縮スナップショット測定からのみハイパースペクトル画像を再構成する非監視空間スペクトルネットワークを提案する。
我々のネットワークは最先端の手法よりも優れた再構築結果を得ることができる。
論文 参考訳（メタデータ） (2020-12-18T12:29:04Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - Robust Unsupervised Small Area Change Detection from SAR Imagery Using
Deep Learning [23.203687716051697]
合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。
差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。
二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
論文 参考訳（メタデータ） (2020-11-22T12:50:08Z) - 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。