論文の概要: Understanding Pan-Sharpening via Generalized Inverse

• arxiv url: http://arxiv.org/abs/2310.02718v1
• Date: Wed, 4 Oct 2023 10:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 15:43:14.475745
• Title: Understanding Pan-Sharpening via Generalized Inverse
• Title（参考訳）: 一般化逆数によるパンシャープの理解
• Authors: Shiqi Liu, Yutong Bai, Xinyang Han, Alan Yuille
• Abstract要約: パンシャルペン問題を記述するために, 単純な行列式を採用する。 空間およびスペクトルのダウンサンプル行列をよりよく取得するためのダウンサンプル拡張法が導入された。 グラムシュミット適応(GSA)は、成分置換の一般的な逆行列の定式化に従って証明された。
• 参考スコア（独自算出の注目度）: 11.176735567767013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pan-sharpening algorithm utilizes panchromatic image and multispectral image to obtain a high spatial and high spectral image. However, the optimizations of the algorithms are designed with different standards. We adopt the simple matrix equation to describe the Pan-sharpening problem. The solution existence condition and the acquirement of spectral and spatial resolution are discussed. A down-sampling enhancement method was introduced for better acquiring the spatial and spectral down-sample matrices. By the generalized inverse theory, we derived two forms of general inverse matrix formulations that can correspond to the two prominent classes of Pan-sharpening methods, that is, component substitution and multi-resolution analysis methods. Specifically, the Gram Schmidt Adaptive(GSA) was proved to follow the general inverse matrix formulation of component substitution. A model prior to the general inverse matrix of the spectral function was rendered. The theoretical errors are analyzed. Synthetic experiments and real data experiments are implemented. The proposed methods are better and sharper than other methods qualitatively in both synthetic and real experiments. The down-sample enhancement effect is shown of better results both quantitatively and qualitatively in real experiments. The generalized inverse matrix theory help us better understand the Pan-sharpening.
• Abstract（参考訳）: パンシャーピングアルゴリズムは、パンクロマティック画像とマルチスペクトル画像を用いて、高空間および高スペクトル画像を得る。 しかし、アルゴリズムの最適化は異なる基準で設計されている。 我々はパンシャープ化問題を記述するために単純な行列式を採用する。 解の存在条件とスペクトルと空間分解能の獲得について論じる。 空間的およびスペクトル的ダウンサンプル行列をより良く取得するために、ダウンサンプリング強化法が導入された。 一般化された逆理論により、汎逆行列の2つの形式を導出し、パンシャープニングの2つの顕著なクラス、すなわち成分置換法と多重解像度解析法に対応できる。 特に、Gram Schmidt Adaptive (GSA) は、成分置換の一般的な逆行列の定式化に従うことが証明された。 スペクトル関数の一般逆行列に先行するモデルを描画した。 理論的誤りを解析する。 合成実験と実データ実験が実施されている。 提案手法は, 合成実験と実実験の両方において, 定性的に他の方法よりも優れ, 鋭い。 ダウンサンプル増強効果は実実験において定量的にも質的にも良好な結果を示す。 一般化された逆行列理論はパンシャルペンの理解を深める助けとなる。

関連論文リスト

• Neural Spectral Decomposition for Dataset Distillation [48.59372086450124]
  本稿では,データセット蒸留のための一般的な分解フレームワークであるニューラルスペクトル分解を提案する。 本研究の目的は,データセット全体の低ランク表現を発見し,効率的に蒸留を行うことである。 提案手法はCIFAR10, CIFAR100, Tiny Imagenet, ImageNet Subsetなどのベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-29T03:26:14Z)
• Color Image Recovery Using Generalized Matrix Completion over Higher-Order Finite Dimensional Algebra [10.10849889917933]
  従来の2階行列モデルをより包括的な高階行列同値に拡張し、「t-行列」モデルと呼ぶ。 この "t-matrix" モデルは、一般的に使用される行列およびテンソル完備化アルゴリズムを高階バージョンに拡張するために使用される。
  論文  参考訳（メタデータ） (2023-08-04T15:06:53Z)
• The Inductive Bias of Flatness Regularization for Deep Matrix Factorization [58.851514333119255]
  この研究は、ディープ線形ネットワークにおけるヘッセン解の最小トレースの帰納バイアスを理解するための第一歩となる。 測定値の標準等尺性(RIP)が1より大きいすべての深さについて、ヘッセンのトレースを最小化することは、対応する終端行列パラメータのシャッテン 1-ノルムを最小化するのとほぼ同値であることを示す。
  論文  参考訳（メタデータ） (2023-06-22T23:14:57Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Stochastic Parallelizable Eigengap Dilation for Large Graph Clustering [12.544602297450533]
  私たちは、ほとんどのエッジがクラスタ内に落ち、わずかにエッジがクラスタ間に落ちているノードのクラスタを特定することを目的としています。 スペクトルクラスタリングのコアステップは、対応するグラフラプラシア行列の固有分解を行う。 本稿では,SVDソルバを高速化し,スペクトルクラスタリングを行うために,スペクトルを並列化可能なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-29T10:13:07Z)
• Unfolding by Folding: a resampling approach to the problem of matrix inversion without actually inverting any matrix [1.9641471892864126]
  マトリックス逆転問題は実験物理学、特に高エネルギー粒子物理学でしばしば発生する。 このマニュアルでは、展開する問題に対して別のアプローチを取っています。 私は、ジェネレータ空間に多くの分布をサンプリングし、元の応答行列を通してそれらを折りたたみ、データ分布に最も近い折りたたみ分布を生成するジェネレータレベルの分布を選択します。
  論文  参考訳（メタデータ） (2020-09-07T07:20:45Z)
• Robust Low-rank Matrix Completion via an Alternating Manifold Proximal Gradient Continuation Method [47.80060761046752]
  ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。 この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。 RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。 本稿では、近年のローワークの動機付けについて述べる。
  論文  参考訳（メタデータ） (2020-08-18T04:46:22Z)
• Ordinary Differential Equation and Complex Matrix Exponential for Multi-resolution Image Registration [6.59529078336196]
  本研究では、実行列指数上で複素行列指数(CME)を用いて変換行列を計算することを強調する。 CMEは理論上より適しており、我々の実験が示すように、事実上より高速な収束を提供する。 提案手法は, 市販の, 人気の高い, 最先端の画像登録ツールボックスに比べて, はるかに優れた登録を行う。
  論文  参考訳（メタデータ） (2020-07-27T16:51:25Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)
• Data Augmentation for Histopathological Images Based on Gaussian-Laplacian Pyramid Blending [59.91656519028334]
  データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。 本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。 BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
  論文  参考訳（メタデータ） (2020-01-31T22:02:57Z)

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。