論文の概要: Reproducing Kernel Hilbert Space Pruning for Sparse Hyperspectral Abundance Prediction

• arxiv url: http://arxiv.org/abs/2308.08653v1
• Date: Wed, 16 Aug 2023 19:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 18:43:50.666946
• Title: Reproducing Kernel Hilbert Space Pruning for Sparse Hyperspectral Abundance Prediction
• Title（参考訳）: Sparse Hyperspectral Abundance Predictionのためのカーネルヒルベルト空間の再生
• Authors: Michael G. Rawson, Timothy Doster, Tegan Emerson
• Abstract要約: 非負の最小二乗化によるスパース表現の切断と構成のためのヒルベルト空間への新しい変換を提案する。 我々のアプローチは、標準的なプルーニングと最小二乗法、およびディープラーニング手法に対してベンチマークされる。 Hilbert空間プルーニングは、標準プルーニングの誤差の最大40%の誤差を低減し、ニューラルネットワークオートエンコーダを上回ります。
• 参考スコア（独自算出の注目度）: 3.759936323189418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral measurements from long range sensors can give a detailed picture of the items, materials, and chemicals in a scene but analysis can be difficult, slow, and expensive due to high spatial and spectral resolutions of state-of-the-art sensors. As such, sparsity is important to enable the future of spectral compression and analytics. It has been observed that environmental and atmospheric effects, including scattering, can produce nonlinear effects posing challenges for existing source separation and compression methods. We present a novel transformation into Hilbert spaces for pruning and constructing sparse representations via non-negative least squares minimization. Then we introduce max likelihood compression vectors to decrease information loss. Our approach is benchmarked against standard pruning and least squares as well as deep learning methods. Our methods are evaluated in terms of overall spectral reconstruction error and compression rate using real and synthetic data. We find that pruning least squares methods converge quickly unlike matching pursuit methods. We find that Hilbert space pruning can reduce error by as much as 40% of the error of standard pruning and also outperform neural network autoencoders.
• Abstract（参考訳）: 長距離センサーからのハイパースペクトル測定は、シーン内のアイテム、材料、化学物質の詳細な画像を与えることができるが、最先端のセンサーの空間分解能やスペクトル分解能が高いため、分析は難しく、遅く、高価である。 そのため、スペクトル圧縮と分析の未来を可能にするために、空間性は重要である。 散乱を含む環境や大気の影響は、既存のソース分離や圧縮法に挑戦する非線形効果を生み出すことが観察されている。 非負の最小二乗化によるスパース表現の切断と構成のためのヒルベルト空間への新しい変換を提案する。 次に,情報損失を減らすために最大ラピッド圧縮ベクトルを導入する。 我々のアプローチは、標準的なプルーニングと最小二乗およびディープラーニング手法に対してベンチマークされている。 本手法は, 実データと合成データを用いて, 総合的なスペクトル再構成誤差と圧縮速度で評価する。 最小二乗法は一致する追従法と異なり急速に収束する。 ヒルベルト空間のプルーニングは、標準プルーニングの誤差の最大40%の誤差を低減し、ニューラルネットワークのオートエンコーダを上回る可能性がある。

関連論文リスト

• Curvature in the Looking-Glass: Optimal Methods to Exploit Curvature of Expectation in the Loss Landscape [41.94295877935867]
  我々は,多くの整列線形単位を持つアーキテクチャにおいて,期待される損失変化の曲率がどのように現れるかを理解するための新しい概念的枠組みを提案する。 我々の導出は、これらの不連続性がどのようにガラスのような構造を形成するかを示しており、これは強いがランダムな原子配列の微視的な領域を含む非晶質固体と類似している。 ガラスとヘッセンの項とネステロフ加速勾配更新で可能な特定の精度特性を組み込んだ準ニュートンステップの最適修正を導出する。
  論文  参考訳（メタデータ） (2024-11-25T20:32:57Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Sampling in Constrained Domains with Orthogonal-Space Variational Gradient Descent [13.724361914659438]
  多様体上のサンプリングのための直交空間勾配流(O-Gradient)を設計した新しい変分フレームワークを提案する。 我々は、O-Gradient が目標制約分布に収束し、弱条件下では、$widetildeO (1/textthe number of iterations)$$で収束することを証明した。
  論文  参考訳（メタデータ） (2022-10-12T17:51:13Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
  ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。 提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。 複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
  論文  参考訳（メタデータ） (2021-12-31T11:56:01Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• Manifold Fitting under Unbounded Noise [4.54773250519101]
  出力多様体は、基底多様体上の射影点の接空間を直接推定することによって構成される。 我々の新しい手法は、推定された多様体と基礎多様体の間の距離の上限という観点から、高い確率で理論収束を与える。
  論文  参考訳（メタデータ） (2019-09-23T08:55:41Z)

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。