論文の概要: Single-source Domain Expansion Network for Cross-Scene Hyperspectral
Image Classification
- arxiv url: http://arxiv.org/abs/2209.01634v1
- Date: Sun, 4 Sep 2022 14:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 14:03:31.648256
- Title: Single-source Domain Expansion Network for Cross-Scene Hyperspectral
Image Classification
- Title(参考訳): クロスセンシングハイパースペクトル画像分類のための単一ソース領域拡張ネットワーク
- Authors: Yuxiang Zhang, Wei Li, Weidong Sun, Ran Tao, Qian Du
- Abstract要約: 広帯域高スペクトル画像(HSI)分類は注目されている。
ソースドメイン(SD)のみにモデルをトレーニングし、ターゲットドメイン(TD)に直接モデルを転送する必要がある。
ドメインの一般化の考え方に基づき、SDEnet(Single-source Domain Expansion Network)が開発され、ドメイン拡張の信頼性と有効性を保証する。
- 参考スコア(独自算出の注目度): 23.301189142107617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, cross-scene hyperspectral image (HSI) classification has drawn
increasing attention. It is necessary to train a model only on source domain
(SD) and directly transferring the model to target domain (TD), when TD needs
to be processed in real time and cannot be reused for training. Based on the
idea of domain generalization, a Single-source Domain Expansion Network
(SDEnet) is developed to ensure the reliability and effectiveness of domain
extension. The method uses generative adversarial learning to train in SD and
test in TD. A generator including semantic encoder and morph encoder is
designed to generate the extended domain (ED) based on
encoder-randomization-decoder architecture, where spatial and spectral
randomization are specifically used to generate variable spatial and spectral
information, and the morphological knowledge is implicitly applied as domain
invariant information during domain expansion. Furthermore, the supervised
contrastive learning is employed in the discriminator to learn class-wise
domain invariant representation, which drives intra-class samples of SD and ED.
Meanwhile, adversarial training is designed to optimize the generator to drive
intra-class samples of SD and ED to be separated. Extensive experiments on two
public HSI datasets and one additional multispectral image (MSI) dataset
demonstrate the superiority of the proposed method when compared with
state-of-the-art techniques.
- Abstract(参考訳): 現在、クロスシーン超スペクトル画像(hsi)の分類が注目されている。
ソースドメイン(sd)上でのみモデルをトレーニングし、tdがリアルタイムに処理され、トレーニングに再利用できない場合に、モデルを直接ターゲットドメイン(td)に転送する必要がある。
ドメイン一般化の考え方に基づき、ドメイン拡張の信頼性と有効性を保証するためにsdenet(single-source domain expansion network)が開発された。
この方法は、生成的逆境学習を用いてSDで訓練し、TDでテストする。
意味エンコーダとモルヒックエンコーダを含むジェネレータは、空間的およびスペクトル的ランダム化が可変空間およびスペクトル情報を生成するために特に使用されるエンコーダ・ランダム化・デコーダアーキテクチャに基づいて拡張ドメイン(ED)を生成するように設計され、その形態的知識はドメイン拡張中にドメイン不変情報として暗黙的に適用される。
さらに、教師付きコントラスト学習を判別器で使用し、sdおよびedのクラス内サンプルを駆動するクラスワイズ領域不変表現を学習する。
一方、逆行訓練は、ジェネレータを最適化してSDとEDのクラス内サンプルを分離させるように設計されている。
2つの公開HSIデータセットと1つの追加マルチスペクトル画像(MSI)データセットに対する大規模な実験は、最先端技術と比較して提案手法の優位性を示している。
関連論文リスト
- Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。
既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。
マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
論文 参考訳(メタデータ) (2024-12-05T06:15:08Z) - S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。
シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。
いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
論文 参考訳(メタデータ) (2024-08-11T15:58:24Z) - Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。
このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。
SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
論文 参考訳(メタデータ) (2024-06-20T08:02:49Z) - Robust and Efficient Segmentation of Cross-domain Medical Images [37.38861543166964]
医用画像の堅牢かつ効率的なセグメンテーションのための一般化可能な知識蒸留法を提案する。
本稿では,2つの一般化可能な知識蒸留方式,Dual Contrastive Graph Distillation (DCGD)とDomain-Invariant Cross Distillation (DICD)を提案する。
DICDでは、2つのモデル(例えば教師と学生)のドメイン不変セマンティックベクターをMSANのヘッダー交換によってクロスコンストラクト特徴に活用する。
論文 参考訳(メタデータ) (2022-07-26T15:55:36Z) - Amplitude Spectrum Transformation for Open Compound Domain Adaptive
Semantic Segmentation [62.68759523116924]
オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。
我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
論文 参考訳(メタデータ) (2022-02-09T05:40:34Z) - Domain-Invariant Representation Learning from EEG with Private Encoders [19.704138140955745]
データセット固有のプライベートエンコーダからドメイン不変表現を抽出するマルチソース学習アーキテクチャを提案する。
脳波に基づく感情分類において、我々のモデルは最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2022-01-27T16:14:26Z) - A Novel Mix-normalization Method for Generalizable Multi-source Person
Re-identification [49.548815417844786]
人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。
モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。
ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
論文 参考訳(メタデータ) (2022-01-24T18:09:38Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳(メタデータ) (2020-08-19T17:41:37Z) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳(メタデータ) (2020-07-27T00:08:07Z)
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。