論文の概要: Tree species classification from hyperspectral data using
graph-regularized neural networks
- arxiv url: http://arxiv.org/abs/2208.08675v1
- Date: Thu, 18 Aug 2022 07:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:09:36.774080
- Title: Tree species classification from hyperspectral data using
graph-regularized neural networks
- Title(参考訳): グラフ正規化ニューラルネットワークを用いた超スペクトルデータからの樹木種分類
- Authors: Debmita Bandyopadhyay and Subhadip Mukherjee
- Abstract要約: グラフ構築のためのスーパーピクセルベースセグメンテーションを含むグラフ正規化ニューラルネットワーク(GRNN)アルゴリズム,画素ワイドニューラルネットワーク分類器,および正確な分類マップを生成するラベル伝搬手法を提案する。
GRNNは、標準的なインド・パインズHSIだけでなく、フランス領ギアナ(FG)の森林で収集された新しいHSIデータセットに対して高い分類精度(約92%)を達成している。
我々は、GRNNが最先端の半教師方式と競合するだけでなく、低い結果を示すことを示した。
- 参考スコア(独自算出の注目度): 15.421877596624677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Manual labeling of tree species remains a challenging task, especially in
tropical regions, owing to inaccessibility and labor-intensive ground-based
surveys. Hyperspectral images (HSIs), through their narrow and contiguous
bands, can assist in distinguishing tree species based on their spectral
properties. Therefore, automated classification algorithms on HSI images can
help augment the limited labeled information and generate a real-time
classification map for various tree species. Achieving high classification
accuracy with a limited amount of labeled information in an image is one of the
key challenges that researchers have started addressing in recent years. We
propose a novel graph-regularized neural network (GRNN) algorithm that
encompasses the superpixel-based segmentation for graph construction, a
pixel-wise neural network classifier, and the label propagation technique to
generate an accurate classification map. GRNN outperforms several
state-of-the-art techniques not only for the standard Indian Pines HSI but also
achieves a high classification accuracy (approx. 92%) on a new HSI data set
collected over the forests of French Guiana (FG) even when less than 1% of the
pixels are labeled. We show that GRNN is not only competitive with the
state-of-the-art semi-supervised methods, but also exhibits lower variance in
accuracy for different number of training samples and over different
independent random sampling of the labeled pixels for training.
- Abstract(参考訳): 木種の手動ラベリングは、特に熱帯地域では、アクセシビリティや労働集約的な地上調査のために難しい課題である。
超スペクトル画像(hsis)はその狭く連続した帯域を通して、そのスペクトル特性に基づいて樹木種を識別するのに役立つ。
したがって、HSI画像の自動分類アルゴリズムは、限られたラベル付き情報を増やし、様々な木々のリアルタイム分類マップを生成するのに役立つ。
近年,画像中のラベル付き情報量が限られているため,高い分類精度を実現することが,研究者の課題となっている。
グラフ構築のためのスーパーピクセルベースセグメンテーションを含む新しいグラフ正規化ニューラルネットワーク(GRNN)アルゴリズム,画素ワイドニューラルネットワーク分類器,および正確な分類マップを生成するラベル伝搬手法を提案する。
GRNNは、標準的なインドのピンHSIだけでなく、フランス領ギアナ(FG)の森林で収集された新しいHSIデータセットに対して、1%未満のピクセルをラベル付けしても高い分類精度(約92%)を達成している。
その結果,grnnは最先端の半教師付き手法と競合関係にあるだけでなく,学習サンプル数や学習用ラベル付き画素の独立したランダムサンプリングの精度が低下することがわかった。
関連論文リスト
- Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。
半教師付きノード分類タスクにGLDGCNを適用する。
ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
論文 参考訳(メタデータ) (2024-04-19T09:08:12Z) - Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - A Local Graph Limits Perspective on Sampling-Based GNNs [7.601210044390688]
本稿では,グラフニューラルネットワーク(GNN)を大規模入力グラフ上で学習するための理論的枠組みを提案する。
大規模な入力グラフの小さなサンプルを用いてサンプリングベースGNNのトレーニングから得られたパラメータが、グラフ全体において同じアーキテクチャをトレーニングした結果の$epsilon$近傍にあることを証明した。
論文 参考訳(メタデータ) (2023-10-17T02:58:49Z) - Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳(メタデータ) (2023-05-09T12:03:42Z) - Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image
Classification [24.91896527342631]
グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。
点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。
本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。
HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
論文 参考訳(メタデータ) (2022-11-14T12:56:56Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳(メタデータ) (2021-07-03T01:28:42Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳(メタデータ) (2021-02-12T21:52:43Z) - Enhance Information Propagation for Graph Neural Network by
Heterogeneous Aggregations [7.3136594018091134]
グラフニューラルネットワークは、ディープラーニングの成功の継続として出現している。
ヘテロジニアスアグリゲーションを組み合わせることで,GNN層間の情報伝達を促進することを提案する。
我々は,多くのグラフ分類ベンチマークにおいて,HAG-Netの有効性を実証的に検証した。
論文 参考訳(メタデータ) (2021-02-08T08:57:56Z) - Region Growing with Convolutional Neural Networks for Biomedical Image
Segmentation [1.5469452301122177]
本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。
我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。
本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
論文 参考訳(メタデータ) (2020-09-23T17:53:00Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳(メタデータ) (2020-06-18T00:55:10Z) - 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)
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。