論文の概要: SpectralDiff: Hyperspectral Image Classification with Spectral-Spatial Diffusion Models

• arxiv url: http://arxiv.org/abs/2304.05961v1
• Date: Wed, 12 Apr 2023 16:32:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 14:14:20.095216
• Title: SpectralDiff: Hyperspectral Image Classification with Spectral-Spatial Diffusion Models
• Title（参考訳）: スペクトル拡散モデルを用いたspectraldiff:hyperspectral image classification
• Authors: Ning Chen, Jun Yue, Leyuan Fang, Shaobo Xia
• Abstract要約: ハイパースペクトル画像(HSI)分類はリモートセンシングの分野で重要なトピックであり、地球科学に幅広い応用がある。 HSIデータの高次元と冗長性は、HSI分類に大きな困難をもたらす。 スペクトル空間拡散モデルを用いたHSI分類法を提案する。
• 参考スコア（独自算出の注目度）: 18.061367668392837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) classification is an important topic in the field of remote sensing, and has a wide range of applications in Earth science. HSIs contain hundreds of continuous bands, which are characterized by high dimension and high correlation between adjacent bands. The high dimension and redundancy of HSI data bring great difficulties to HSI classification. In recent years, a large number of HSI feature extraction and classification methods based on deep learning have been proposed. However, their ability to model the global relationships among samples in both spatial and spectral domains is still limited. In order to solve this problem, an HSI classification method with spectral-spatial diffusion models is proposed. The proposed method realizes the reconstruction of spectral-spatial distribution of the training samples with the forward and reverse spectral-spatial diffusion process, thus modeling the global spatial-spectral relationship between samples. Then, we use the spectral-spatial denoising network of the reverse process to extract the unsupervised diffusion features. Features extracted by the spectral-spatial diffusion models can achieve cross-sample perception from the reconstructed distribution of the training samples, thus obtaining better classification performance. Experiments on three public HSI datasets show that the proposed method can achieve better performance than the state-of-the-art methods. The source code and the pre-trained spectral-spatial diffusion model will be publicly available at https://github.com/chenning0115/SpectralDiff.
• Abstract（参考訳）: hyperspectral image (hsi) 分類はリモートセンシングの分野で重要な話題であり、地球科学に幅広く応用されている。 HSIは数百の連続バンドを含み、隣り合うバンド間の高次元と高相関が特徴である。 HSIデータの高次元と冗長性は、HSI分類に大きな困難をもたらす。 近年,深層学習に基づくhsi特徴抽出と分類手法が多数提案されている。 しかし、空間領域とスペクトル領域の両方におけるサンプル間のグローバルな関係をモデル化する能力はまだ限られている。 この問題を解決するために,スペクトル空間拡散モデルを用いたhsi分類法を提案する。 提案手法は, トレーニング試料のスペクトル-空間分布を前方・逆スペクトル-空間拡散法で再構成し, サンプル間の空間-空間関係をモデル化する。 次に,逆過程のスペクトル・空間分極ネットワークを用いて,教師なし拡散特性を抽出する。 スペクトル空間拡散モデルにより抽出された特徴は、トレーニングサンプルの再構成分布からクロスサンプル知覚を達成でき、より良い分類性能が得られる。 3つの公開HSIデータセットの実験により,提案手法は最先端の手法よりも優れた性能が得られることが示された。 ソースコードと事前訓練されたスペクトル空間拡散モデルはhttps://github.com/chenning0115/SpectralDiff.comで公開される。

関連論文リスト

• Hierarchical Attention and Parallel Filter Fusion Network for Multi-Source Data Classification [33.26466989592473]
  マルチソースデータ分類のための階層的注意と並列フィルタ融合ネットワークを提案する。 提案手法は,各データセットの総合精度(OA)の91.44%と80.51%を達成する。
  論文  参考訳（メタデータ） (2024-08-22T23:14:22Z)
• 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)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
  我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。 まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。 この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
  論文  参考訳（メタデータ） (2023-10-29T15:26:37Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
  ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。 我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T02:59:21Z)
• 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)
• Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification [5.572542792318872]
  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)分類において大きな進歩を遂げている。 標準畳み込みカーネルは、データポイント間の本質的な接続を無視し、結果として、領域のデラインが貧弱になり、小さなスプリアス予測がもたらされる。 本稿では,これらの2つの問題に明示的に対処する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-01-20T13:49:43Z)

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。