論文の概要: One-shot neural band selection for spectral recovery
- arxiv url: http://arxiv.org/abs/2305.09236v1
- Date: Tue, 16 May 2023 07:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 15:54:52.043000
- Title: One-shot neural band selection for spectral recovery
- Title(参考訳): スペクトル回復のためのワンショットニューラルバンド選択
- Authors: Hai-Miao Hu, Zhenbo Xu, Wenshuai Xu, You Song, YiTao Zhang, Liu Liu,
Zhilin Han, Ajin Meng
- Abstract要約: スペクトル回復のための新しいワンショットニューラルバンド選択(NBS)フレームワークを提案する。
我々のNBSは、帯域選択過程の連続的な緩和に基づいており、勾配勾配を用いた効率的な帯域探索を可能にする。
私たちのコードは公開されます。
- 参考スコア(独自算出の注目度): 15.565913045545066
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Band selection has a great impact on the spectral recovery quality. To solve
this ill-posed inverse problem, most band selection methods adopt hand-crafted
priors or exploit clustering or sparse regularization constraints to find most
prominent bands. These methods are either very slow due to the computational
cost of repeatedly training with respect to different selection frequencies or
different band combinations. Many traditional methods rely on the scene prior
and thus are not applicable to other scenarios. In this paper, we present a
novel one-shot Neural Band Selection (NBS) framework for spectral recovery.
Unlike conventional searching approaches with a discrete search space and a
non-differentiable search strategy, our NBS is based on the continuous
relaxation of the band selection process, thus allowing efficient band search
using gradient descent. To enable the compatibility for se- lecting any number
of bands in one-shot, we further exploit the band-wise correlation matrices to
progressively suppress similar adjacent bands. Extensive evaluations on the
NTIRE 2022 Spectral Reconstruction Challenge demonstrate that our NBS achieves
consistent performance gains over competitive baselines when examined with four
different spectral recov- ery methods. Our code will be publicly available.
- Abstract(参考訳): バンド選択はスペクトル回復品質に大きな影響を与える。
この不規則な逆問題を解決するために、ほとんどのバンド選択法は手作りの先行手法を採用するか、クラスタリングやスパース正規化の制約を利用する。
これらの手法は、異なる選択周波数または異なるバンドの組み合わせに関して繰り返し訓練する計算コストのために非常に遅い。
多くの伝統的な手法は前もってシーンに依存しているため、他のシナリオには適用できない。
本稿では,スペクトル回復のための新しい一発ニューラルバンド選択(nbs)フレームワークを提案する。
離散探索空間と非微分可能な探索戦略を持つ従来の探索手法とは異なり、nbsはバンド選択過程の連続緩和に基づいており、勾配降下を用いた効率的なバンド探索を可能にする。
1ショットで任意のバンドをセレクトするための互換性を実現するために、バンドワイド相関行列を利用して、類似のバンドを徐々に抑制する。
NTIRE 2022 Spectral Restruction Challengeの大規模な評価は、NBSが4つの異なるスペクトルレトフ・エリス法を用いて検討した場合、競争ベースラインよりも一貫した性能向上を達成することを示した。
私たちのコードは公開されます。
関連論文リスト
- BSS-Bench: Towards Reproducible and Effective Band Selection Search [8.712706386559171]
本稿では,様々な超スペクトル解析タスクのためのBSS-Benchの最初のバンド選択探索ベンチマークを提案する。
BSS-Benchの開発には1.26kのGPU日を要した。
BSS-Benchに加えて,単発単発単発単発単発単発単発単発単発単発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一
論文 参考訳(メタデータ) (2023-12-22T10:00:32Z) - End-to-end Hyperspectral Image Change Detection Network Based on Band
Selection [22.7908026248101]
帯域選択(ECDBS)を用いた終端から終端までのハイパースペクトル画像変化検出ネットワークを提案する。
ネットワークの主な構成要素は、深層学習に基づくバンド選択モジュールと、カスケードバンド固有の空間的注意ブロックである。
3つの広く利用されているHSI-CDデータセットを用いて実験を行い,提案手法の有効性と優位性を示した。
論文 参考訳(メタデータ) (2023-07-23T13:50:41Z) - UNICON: Combating Label Noise Through Uniform Selection and Contrastive
Learning [89.56465237941013]
UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。
90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
論文 参考訳(メタデータ) (2022-03-28T07:36:36Z) - Omni-frequency Channel-selection Representations for Unsupervised
Anomaly Detection [11.926787216956459]
本稿では,周波数を考慮した新しいOmni- frequency Channel-Selection Reconstruction (OCR-GAN) ネットワークを提案する。
提案手法は, 再建ベースラインを+38.1, 現行のSOTA法を+0.3に大きく上回っている。
論文 参考訳(メタデータ) (2022-03-01T06:35:15Z) - Optimal Clustering with Bandit Feedback [84.04424523097168]
本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。
これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。
合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
論文 参考訳(メタデータ) (2022-02-09T06:05:05Z) - Syndicated Bandits: A Framework for Auto Tuning Hyper-parameters in
Contextual Bandit Algorithms [74.55200180156906]
文脈的盗賊問題は、探索と搾取の間のトレードオフをモデル化する。
我々のSyndicated Banditsフレームワークは最適な後悔の上限を達成できることを示す。
論文 参考訳(メタデータ) (2021-06-05T22:30:21Z) - Hyperspectral Band Selection for Multispectral Image Classification with
Convolutional Networks [0.0]
ハイパースペクトル画像から波長の減少したセットを選択するための新しいバンド選択法を提案する。
本手法により,マルチスペクトルセンサの設計に適した結果が得られることを示す。
論文 参考訳(メタデータ) (2021-06-01T17:24:35Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳(メタデータ) (2021-03-24T07:26:07Z) - Deep Reinforcement Learning for Band Selection in Hyperspectral Image
Classification [21.098473348205726]
帯域選択とは、ハイパースペクトル画像において最も関連性の高い帯域を選択する過程を指す。
本稿では、ポリシーを自動的に学習して最適な帯域部分集合を選択できるインテリジェントエージェントを訓練することに関心を寄せる。
本研究では,教師なし帯域選択の問題をマルコフ決定プロセスとして捉え,パラメータ化のための効果的な手法を提案し,さらに深層強化学習によって解決する。
論文 参考訳(メタデータ) (2021-03-15T22:06:15Z) - Batched Neural Bandits [107.5072688105936]
BatchNeuralUCBはニューラルネットワークと楽観性を組み合わせ、探索と探索のトレードオフに対処する。
BatchNeuralUCBは、完全なシーケンシャルバージョンと同じ後悔を達成しつつ、ポリシー更新の数を大幅に減らしています。
論文 参考訳(メタデータ) (2021-02-25T17:36:44Z) - Upper Confidence Bounds for Combining Stochastic Bandits [52.10197476419621]
バンディットアルゴリズムを結合する簡単な手法を提案する。
私たちのアプローチは、個々のbanditアルゴリズムのそれぞれを、より高いレベルのn$-armed bandit問題のアームとして扱う"meta-ucb"手順に基づいています。
論文 参考訳(メタデータ) (2020-12-24T05:36:29Z)
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。