論文の概要: Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package

• arxiv url: http://arxiv.org/abs/2308.09375v3
• Date: Fri, 26 Apr 2024 07:52:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 18:17:43.099833
• Title: Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package
• Title（参考訳）: ハイパースペクトルアンミックスのための画像処理と機械学習 - 概要とHySUPP Pythonパッケージ
• Authors: Behnood Rasti, Alexandre Zouaoui, Julien Mairal, Jocelyn Chanussot,
• Abstract要約: アンミキシングは、ピクセル内のエンドメンバーの分数量を推定する。 本稿では,先進的および従来型のアンミックス手法の概要について述べる。 シミュレーションされた3つのデータセットと2つの実際のデータセット上でのアンミックス手法の性能を比較した。
• 参考スコア（独自算出の注目度）: 80.11512905623417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral pixels are often a mixture of the pure spectra of the materials, called endmembers, due to the low spatial resolution of hyperspectral sensors, double scattering, and intimate mixtures of materials in the scenes. Unmixing estimates the fractional abundances of the endmembers within the pixel. Depending on the prior knowledge of endmembers, linear unmixing can be divided into three main groups: supervised, semi-supervised, and unsupervised (blind) linear unmixing. Advances in Image processing and machine learning substantially affected unmixing. This paper provides an overview of advanced and conventional unmixing approaches. Additionally, we draw a critical comparison between advanced and conventional techniques from the three categories. We compare the performance of the unmixing techniques on three simulated and two real datasets. The experimental results reveal the advantages of different unmixing categories for different unmixing scenarios. Moreover, we provide an open-source Python-based package available at https://github.com/BehnoodRasti/HySUPP to reproduce the results.
• Abstract（参考訳）: スペクトル画素は、しばしば、ハイパースペクトルセンサーの低空間分解能、二重散乱、シーン内の物質の親密な混合のために、エンドメンバーと呼ばれる素材の純粋なスペクトルの混合物である。 アンミキシングは、ピクセル内のエンドメンバーの分数量を推定する。 エンドメンバーの事前の知識によって、線形アンミックスは、教師付き、半教師付き、および教師なし(盲)線形アンミックスの3つの主要なグループに分けられる。 画像処理と機械学習の進歩は、アンミックスに大きな影響を与えた。 本稿では,先進的および従来型のアンミックス手法の概要について述べる。 さらに,3つのカテゴリから,先進的手法と従来手法を批判的に比較した。 シミュレーションされた3つのデータセットと2つの実際のデータセット上でのアンミックス手法の性能を比較した。 実験結果は、異なる未混合のシナリオに対して異なる未混合のカテゴリの利点を明らかにした。 さらに、結果を再現するためにhttps://github.com/BehnoodRasti/HySUPPで利用可能なPythonベースのオープンソースパッケージも提供しています。

関連論文リスト

• ProxiMix: Enhancing Fairness with Proximity Samples in Subgroups [17.672299431705262]
  線形ミックスアップのみを使用することで、バイアス軽減のためのデータ拡張テクニックは、データセットラベルにバイアスを保持することができる。 本稿では,既存の混合手法と新たなバイアス軽減アルゴリズムの両方を活用可能な,新しい前処理手法を提案する。 ProxiMixは、より公平なデータ拡張のために、ペアワイズと近接関係を保持します。
  論文  参考訳（メタデータ） (2024-10-02T00:47:03Z)
• SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
  混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。 そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
  論文  参考訳（メタデータ） (2024-07-10T16:25:26Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Mixing Histopathology Prototypes into Robust Slide-Level Representations for Cancer Subtyping [19.577541771516124]
  計算病理学の手法による全スライディング画像解析は、しばしば、スライドレベルラベルのみが利用可能なテッセル化ギガピクセル画像の処理に依存している。 複数のインスタンス学習手法やトランスフォーマーモデルを適用することは、各イメージとして計算コストが高く、すべてのインスタンスを同時に処理する必要がある。 TheMixerは、特に大規模データセットにおいて、一般的なビジョントランスフォーマーの未探索の代替モデルである。
  論文  参考訳（メタデータ） (2023-10-19T14:15:20Z)
• The Benefits of Mixup for Feature Learning [117.93273337740442]
  最初に、機能やラベルに異なる線形パラメータを使用するMixupは、標準Mixupと同様のパフォーマンスが得られることを示す。 我々は、特徴雑音データモデルを検討し、Mixupトレーニングが共通の特徴と組み合わせることで、稀な特徴を効果的に学習できることを示します。 対照的に、標準的なトレーニングは共通の特徴しか学べないが、まれな特徴を学べないため、パフォーマンスが悪くなる。
  論文  参考訳（メタデータ） (2023-03-15T08:11:47Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
  そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:57:28Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)
• MIX'EM: Unsupervised Image Classification using a Mixture of Embeddings [44.29313588655997]
  教師なし画像分類のための新しいソリューションMIX'EMを提案する。 STL10, CIFAR10, CIFAR100-20データセットに関する広範な実験と分析を行った。 その結果,最先端の分類精度は78%,82%,44%であった。
  論文  参考訳（メタデータ） (2020-07-18T19:24:22Z)

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。