論文の概要: Target Identification and Bayesian Model Averaging with Probabilistic
Hierarchical Factor Probabilities
- arxiv url: http://arxiv.org/abs/2207.11212v1
- Date: Thu, 21 Jul 2022 13:38:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 12:49:41.124903
- Title: Target Identification and Bayesian Model Averaging with Probabilistic
Hierarchical Factor Probabilities
- Title（参考訳）: 確率的階層的因子確率を用いた目標同定とベイズモデル
- Authors: William Basener
- Abstract要約: ハイパースペクトル画像におけるターゲット検出は、ターゲットを含む可能性が高い画像から画素を探索する過程である。
ターゲット識別(Target Identification)は、高い検出で得られた各ピクセルに存在する物質をより具体的に識別する追加のプロセスを含むターゲット検出のプロセスである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Target detection in hyperspectral imagery is the process of locating pixels
from an image which are likely to contain target, typically done by comparing
one or more spectra for the desired target material to each pixel in the image.
Target identification is the process of target detection incorporating an
additional process to identify more specifically the material that is present
in each pixel that scored high in detection. Detection is generally a 2-class
problem of target vs. background, and identification is a many class problem
including target, background, and additional know materials. The identification
process we present is probabilistic and hierarchical which provides
transparency to the process and produces trustworthy output. In this paper we
show that target identification has a much lower false alarm rate than
detection alone, and provide a detailed explanation of a robust identification
method using probabilistic hierarchical classification that handles the vague
categories of materials that depend on users which are different than the
specific physical categories of chemical constituents. Identification is often
done by comparing mixtures of materials including the target spectra to
mixtures of materials that do not include the target spectra, possibly with
other steps. (band combinations, feature checking, background removal, etc.)
Standard linear regression does not handle these problems well because the
number of regressors (identification spectra) is greater than the number of
feature variables (bands), and there are multiple correlated spectra. Our
proposed method handles these challenges efficiently and provides additional
important practical information in the form of hierarchical probabilities
computed from Bayesian model averaging.
- Abstract（参考訳）: ハイパースペクトル画像におけるターゲット検出(英: Target detection)とは、通常、所望のターゲット物質に対して1つ以上のスペクトルを画像中の各ピクセルと比較することにより、ターゲットを含む可能性のある画像から画素を探索する過程である。
ターゲット識別(Target Identification)は、高い検出で得られた各ピクセルに存在する物質をより具体的に識別する追加のプロセスを含むターゲット検出のプロセスである。
検出は、一般的にターゲット対バックグラウンドの2クラス問題であり、識別は、ターゲット、バックグラウンド、追加の知識材料を含む多くのクラス問題である。
我々が提示する識別プロセスは確率的かつ階層的であり、プロセスに透明性を提供し、信頼できるアウトプットを生み出す。
本稿では, ターゲット同定が検出単独よりもはるかに低い誤報率を持つことを示すとともに, 特定の化学成分の物理的カテゴリとは異なるユーザに依存する材料の曖昧な分類を扱う確率的階層分類を用いたロバスト識別手法の詳細な説明を提供する。
同定は、ターゲットスペクトルを含む物質の混合物と、ターゲットスペクトルを含まない物質の混合物を、おそらく他のステップと比較することによって行われる。
(バンドの組み合わせ、特徴チェック、背景削除など)
標準線形回帰は、回帰器の数(識別スペクトル)が特徴変数の数(バンド)よりも大きく、複数の相関スペクトルが存在するため、これらの問題をうまく処理しない。
提案手法は,これらの課題を効率的に処理し,ベイズモデル平均化から計算した階層的確率の形で重要な実用的な情報を提供する。
関連論文リスト
- Classification Committee for Active Deep Object Detection [24.74839931613233]
本稿では,アクティブディープオブジェクト検出のための分類委員会を提案する。
委員会は、その不確実性値に基づいて最も情報性の高い画像を選択する。
本手法は,最先端の能動学習法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-16T16:31:36Z) - COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。
ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。
マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文 参考訳（メタデータ） (2023-08-03T03:37:13Z) - The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge
Detector [70.43599299422813]
既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。
多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。
UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-03-21T13:14:36Z) - 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) - Deep Learning Object Detection Approaches to Source Identification [15.813217907813778]
本稿では,従来の音源識別アルゴリズムを用いて,故障事例を緩和するシステムを提案する。
コントリビューションには、オブジェクト検出問題としてのフレーミングソース識別、スペクトログラムオブジェクト検出データセットの公開、およびデータセット上でトレーニングされたRetinaNetおよびYOLOv5オブジェクト検出モデルの評価が含まれる。
論文 参考訳（メタデータ） (2022-10-27T02:08:46Z) - Target-aware Dual Adversarial Learning and a Multi-scenario
Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。
従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。
本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
論文 参考訳（メタデータ） (2022-03-30T11:44:56Z) - Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。
これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。
本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
論文 参考訳（メタデータ） (2021-12-13T17:11:32Z) - 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) - Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。
現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
論文 参考訳（メタデータ） (2021-04-12T17:03:42Z) - PointIso: Point Cloud Based Deep Learning Model for Detecting
Arbitrary-Precision Peptide Features in LC-MS Map through Attention Based
Segmentation [5.495506445661776]
PointIsoは、ペプチドの特徴検出の問題を解決するために、ポイントクラウドベースの任意の精度のディープラーニングネットワークである。
ベンチマークデータセットにおいて、高品質なMS/MS識別を98%検出する。
論文 参考訳（メタデータ） (2020-09-15T17:34:14Z)
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。