論文の概要: Graph Signal Processing for Heterogeneous Change Detection Part II: Spectral Domain Analysis

• arxiv url: http://arxiv.org/abs/2208.01905v1
• Date: Wed, 3 Aug 2022 08:11:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 13:41:43.344558
• Title: Graph Signal Processing for Heterogeneous Change Detection Part II: Spectral Domain Analysis
• Title（参考訳）: 不均一変化検出のためのグラフ信号処理 その2:スペクトル領域解析
• Authors: Yuli Sun, Lin Lei, Dongdong Guan, Gangyao Kuang, Li Liu
• Abstract要約: 本研究では,各画像の構造を表すグラフを構築し,各画像をグラフ上に定義されたグラフ信号として扱う。 同じグラフ上で異なる画像のスペクトル特性を解析し、それらのスペクトルが共通性と相似性を示すことを示す。 本稿では,異種変化検出問題に対する回帰モデルを提案し,音源信号を回帰信号と変化信号に分解する。
• 参考スコア（独自算出の注目度）: 21.531426428400227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This is the second part of the paper that provides a new strategy for the heterogeneous change detection (HCD) problem, that is, solving HCD from the perspective of graph signal processing (GSP). We construct a graph to represent the structure of each image, and treat each image as a graph signal defined on the graph. In this way, we can convert the HCD problem into a comparison of responses of signals on systems defined on the graphs. In the part I, the changes are measured by comparing the structure difference between the graphs from the vertex domain. In this part II, we analyze the GSP for HCD from the spectral domain. We first analyze the spectral properties of the different images on the same graph, and show that their spectra exhibit commonalities and dissimilarities. Specially, it is the change that leads to the dissimilarities of their spectra. Then, we propose a regression model for the HCD, which decomposes the source signal into the regressed signal and changed signal, and requires the regressed signal have the same spectral property as the target signal on the same graph. With the help of graph spectral analysis, the proposed regression model is flexible and scalable. Experiments conducted on seven real data sets show the effectiveness of the proposed method.
• Abstract（参考訳）: 本論文は,HCD問題,すなわちグラフ信号処理(GSP)の観点からHCDを解くための新たな戦略を提供する第2部である。 各画像の構造を表すグラフを構築し,各画像をグラフ上で定義されたグラフ信号として扱う。 このようにして、HCD問題をグラフ上で定義されたシステム上の信号の応答の比較に変換することができる。 第1部では、頂点領域からのグラフ間の構造差を比較して変化を測定する。 このパートiiでは、スペクトル領域からhcdのgspを分析する。 まず,同一グラフ上の異なる画像のスペクトル特性を解析し,そのスペクトルが共通性と類似性を示すことを示す。 特に、スペクトルの相違につながる変化である。 そこで,本研究では,HCDの回帰モデルを提案する。このモデルでは,ソース信号を回帰信号と変化信号に分解し,同じグラフ上のターゲット信号と同じスペクトル特性の回帰信号を必要とする。 グラフスペクトル解析の助けを借りて、提案する回帰モデルは柔軟でスケーラブルである。 7つの実データ集合を用いて実験を行い,提案手法の有効性を示した。

関連論文リスト

• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
  本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。 また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
  論文  参考訳（メタデータ） (2024-02-12T13:20:52Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• Graph Signal Processing for Heterogeneous Change Detection Part I: Vertex Domain Filtering [21.531426428400227]
  グラフ信号処理(GSP)の観点からHCDを解く不均一な変化検出問題に対する新しい戦略を提案する。 構造情報を取得するために,各画像のグラフを構築し,各画像をグラフ信号として扱う。 このようにして、HCDをGSP問題に変換し、2つのグラフ上で定義された異なるシステム上の2つの信号の応答の比較を行う。
  論文  参考訳（メタデータ） (2022-08-03T07:22:45Z)
• Stratified Graph Spectra [0.0]
  本稿では,ベクトル値信号から固有成分の大きさを復号する一般化変換を求める。 いくつかの試みが検討され、階層的な隣接度で変換を行うことで、信号のスペクトル特性をより深く分析することができることが判明した。
  論文  参考訳（メタデータ） (2022-01-10T23:35:13Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込み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広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)
• Sampling Signals on Graphs: From Theory to Applications [119.19108613761915]
  我々は、理論と潜在的な応用に焦点をあてたグラフのサンプリングに関する最近の進歩を概観する。 グラフ信号サンプリングにおけるほとんどの手法は標準信号のサンプリングに使用される手法と平行に設計されているが、グラフ信号のサンプリング理論はシャノン-ニキスト理論とシフト不変サンプリング理論とは大きく異なる。
  論文  参考訳（メタデータ） (2020-03-09T07:49:40Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。