論文の概要: HySpecNet-11k: A Large-Scale Hyperspectral Dataset for Benchmarking Learning-Based Hyperspectral Image Compression Methods

• arxiv url: http://arxiv.org/abs/2306.00385v2
• Date: Fri, 2 Jun 2023 10:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 11:12:50.765533
• Title: HySpecNet-11k: A Large-Scale Hyperspectral Dataset for Benchmarking Learning-Based Hyperspectral Image Compression Methods
• Title（参考訳）: HySpecNet-11k:学習に基づくハイパースペクトル画像圧縮手法のベンチマークのための大規模ハイパースペクトルデータセット
• Authors: Martin Hermann Paul Fuchs, Beg\"um Demir
• Abstract要約: HySpecNet-11kは11,483の非重複画像パッチからなる大規模ハイパースペクトルベンチマークデータセットである。 それぞれのパッチは、128ドル(約1万2000円)の128ピクセル、スペクトル帯域は224、地中サンプル距離は30mである。 我々はHySpecNet-11kを用いて、学習に基づくハイパースペクトル画像圧縮における技術の現状をベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of learning-based hyperspectral image compression methods has recently attracted great attention in remote sensing. Such methods require a high number of hyperspectral images to be used during training to optimize all parameters and reach a high compression performance. However, existing hyperspectral datasets are not sufficient to train and evaluate learning-based compression methods, which hinders the research in this field. To address this problem, in this paper we present HySpecNet-11k that is a large-scale hyperspectral benchmark dataset made up of 11,483 nonoverlapping image patches. Each patch is a portion of 128 $\times$ 128 pixels with 224 spectral bands and a ground sample distance of 30 m. We exploit HySpecNet-11k to benchmark the current state of the art in learning-based hyperspectral image compression by focussing our attention on various 1D, 2D and 3D convolutional autoencoder architectures. Nevertheless, HySpecNet-11k can be used for any unsupervised learning task in the framework of hyperspectral image analysis. The dataset, our code and the pre-trained weights are publicly available at https://hyspecnet.rsim.berlin .
• Abstract（参考訳）: 近年,学習に基づくハイパースペクトル画像圧縮手法の開発が注目されている。 このような方法では、全てのパラメータを最適化し、高い圧縮性能に達するために、トレーニング中に使用する高スペクトル画像が大量に必要となる。 しかし、既存のハイパースペクトルデータセットは学習に基づく圧縮手法の訓練や評価には不十分であり、この分野での研究を妨げている。 そこで本稿では,11,483個の非オーバーラップ画像パッチからなる大規模ハイパースペクトルベンチマークデータセットであるhyspecnet-11kを提案する。 各パッチは、128ドルの128ドルの128ピクセルの一部であり、224のスペクトルバンドと地上サンプル距離は30mである。 我々はHySpecNet-11kを用いて、学習に基づくハイパースペクトル画像圧縮における技術の現状をベンチマークし、様々な1D、2D、3D畳み込みオートエンコーダアーキテクチャに注目した。 それでもhyspecnet-11kはハイパースペクトル画像解析のフレームワークにおいて教師なしの学習タスクに使用できる。 データセット、コード、トレーニング済みの重みはhttps://hyspecnet.rsim.berlin.com/で公開されている。

関連論文リスト

• Seg-HGNN: Unsupervised and Light-Weight Image Segmentation with Hyperbolic Graph Neural Networks [5.872014229110214]
  画像セグメンテーションのための軽量なハイパーボリックグラフニューラルネットワークを導入し、パッチレベルの特徴を非常に小さな埋め込みサイズで包含する。 我々のソリューションであるSeg-HGNNは、現在の最高の教師なし手法を2.5%、VOC-07では4%、ローカライゼーションではVOC-12、セグメンテーションではCUB-200では1.3%、セグメンテーションではECSSDを0.8%上回る。
  論文  参考訳（メタデータ） (2024-09-10T15:30:20Z)
• HyCoT: A Transformer-Based Autoencoder for Hyperspectral Image Compression [6.0163252984457145]
  ハイパースペクトル圧縮変換器 (Hyperspectral Compression Transformer, HyCoT) は、画素ワイドHSI圧縮のためのトランスフォーマーベースのオートエンコーダである。 HySpecNet-11kデータセットの実験結果は、HyCoTがPSNRの1dBを超える圧縮比で芸術の状態を超越していることを示している。
  論文  参考訳（メタデータ） (2024-08-16T12:27:46Z)
• Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques [0.6384650391969042]
  本稿では,大規模ハイパースペクトル画像に対するスペクトル表現学習と分類において重要な課題に対処するToulouse Hyperspectral Data Setについて述べる。 我々は,Masked Autoencoderを含むスペクトル表現学習のための自己指導的手法を議論し,また,総合精度85%,F1スコア77%を達成できる画素単位の分類基準を確立する。
  論文  参考訳（メタデータ） (2023-11-15T10:49:15Z)
• Deep learning based Image Compression for Microscopy Images: An Empirical Study [3.915183869199319]
  本研究では,古典的および深層学習に基づく画像圧縮法とその深層学習に基づく画像処理モデルへの影響について分析する。 このような所望の方法で画像を圧縮するには、複数の古典的損失画像圧縮技術と、複数のAIベースの圧縮モデルを比較する。 その結果、AIベースの圧縮技術は従来の圧縮技術よりも優れており、2Dケースでは下流のラベルなしタスクに最小限の影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2023-11-02T16:00:32Z)
• Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
  ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。 カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-15T08:43:21Z)
• Real-time Hyperspectral Imaging in Hardware via Trained Metasurface Encoders [55.16861072631285]
  ハイパースペクトルイメージングは、コンピュータビジョンにおける画像分類と自動パターン認識のためのスペクトルシグネチャを特定するために大きな注目を集めている。 上述した制限に対処する新しい統合アーキテクチャであるHyplexを紹介する。 HyplexはCMOS互換で高速なハイパースペクトルカメラで、バルク光学を人工知能によって逆向きにデザインされたナノスケールのメタ曲面に置き換える。
  論文  参考訳（メタデータ） (2022-04-05T09:52:51Z)
• Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
  本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。 高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
  論文  参考訳（メタデータ） (2020-11-17T20:32:57Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。