論文の概要: SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet
Variational Autoencoder for Hyperspectral Pixel Unmixing
- arxiv url: http://arxiv.org/abs/2311.10701v1
- Date: Fri, 17 Nov 2023 18:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 13:42:39.510578
- Title: SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet
Variational Autoencoder for Hyperspectral Pixel Unmixing
- Title(参考訳): SpACNN-LDVAE:Hyperspectral Pixel Unmixingのための空間アテンション畳み込み遅延ディリクレ変分オートエンコーダ
- Authors: Soham Chitnis, Kiran Mantripragada, Faisal Z. Qureshi
- Abstract要約: 空間的注意を伴う等方性CNNエンコーダを提案し,超スペクトルアンミックス問題の解法を提案する。
我々は,Samson,Hydice Urban,Cuprite,OnTech-HSI-Syn-21データセットについて検討した。
- 参考スコア(独自算出の注目度): 2.0257616108612373
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Hyperspectral Unxming problem is to find the pure spectral signal of the
underlying materials (endmembers) and their proportions (abundances). The
proposed method builds upon the recently proposed method, Latent Dirichlet
Variational Autoencoder (LDVAE). It assumes that abundances can be encoded as
Dirichlet Distributions while mixed pixels and endmembers are represented by
Multivariate Normal Distributions. However, LDVAE does not leverage spatial
information present in an HSI; we propose an Isotropic CNN encoder with spatial
attention to solve the hyperspectral unmixing problem. We evaluated our model
on Samson, Hydice Urban, Cuprite, and OnTech-HSI-Syn-21 datasets. Our model
also leverages the transfer learning paradigm for Cuprite Dataset, where we
train the model on synthetic data and evaluate it on real-world data. We are
able to observe the improvement in the results for the endmember extraction and
abundance estimation by incorporating the spatial information. Code can be
found at https://github.com/faisalqureshi/cnn-ldvae
- Abstract(参考訳): ハイパースペクトルアンキミング問題(hyperspectral unxming problem)は、基礎となる物質(エンドメンバー)とその比率(冗長性)の純粋なスペクトル信号を見つけることである。
提案手法は,最近提案されたLatent Dirichlet Variational Autoencoder (LDVAE)に基づく。
これは存在量をディリクレ分布として符号化できると仮定し、混合ピクセルとエンドメンバーは多変量正規分布として表現される。
しかし, ldvae は hsi に存在する空間情報を活用せず, 超スペクトルアンミックス問題を解くために空間的に注目される等方性 cnn エンコーダを提案する。
我々は,Samson,Hydice Urban,Cuprite,OnTech-HSI-Syn-21データセットについて検討した。
また,本モデルでは,Cuprite Datasetの転送学習パラダイムを活用し,合成データを用いてモデルをトレーニングし,実世界のデータで評価する。
我々は,空間情報を組み込むことで,エンドメンバー抽出と存在量推定の結果の改善を観察することができる。
コードはhttps://github.com/faisalqureshi/cnn-ldvaeにある。
関連論文リスト
- SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and
Applications [7.322121417864824]
我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。
これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。
神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
論文 参考訳(メタデータ) (2023-05-26T06:02:31Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳(メタデータ) (2023-04-29T00:25:02Z) - Variational Diffusion Auto-encoder: Latent Space Extraction from
Pre-trained Diffusion Models [0.0]
可変オートエンコーダ(VAE)は、生成された画像の品質の問題に直面し、しばしば目立った曖昧さを示す。
この問題は、条件付きデータ分布を近似する非現実的な仮定である $p(textbfx | textbfz)$ が等方ガウス的であることに由来する。
本稿では,エンコーダを最適化することにより,既存の拡散モデルから潜在空間を抽出し,限界データのログ化を最大化する方法について述べる。
論文 参考訳(メタデータ) (2023-04-24T14:44:47Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Hyperspectral Pixel Unmixing with Latent Dirichlet Variational
Autoencoder [2.3931689873603603]
本稿では,ハイパースペクトル画素のアンミックス方式を提案する。
提案手法は,変分オートエンコーダ設定における存在推定と終端抽出の問題を解く。
提案するモデルの転送学習能力を,CuupriteとOnTech-HSI-Syn-21データセットで示す。
論文 参考訳(メタデータ) (2022-03-02T17:38:44Z) - Score-Based Generative Modeling with Critically-Damped Langevin
Diffusion [18.82116696636531]
現在のスコアベース生成モデル(SGM)は、データを徐々にトラクタブルな分布へとゆがめる拡散過程に依存している。
我々は、現在のSGMが過度に単純化された拡散を導入し、不要に複雑な分極過程をもたらすことを論じる。
そこで我々は,CLDに基づくSGMが優れた性能を発揮することを示すために,CLD(Critical-damped Langevin diffusion)を提案する。
論文 参考訳(メタデータ) (2021-12-14T00:01:34Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳(メタデータ) (2021-06-08T00:30:43Z) - Variational Hyper-Encoding Networks [62.74164588885455]
ニューラルネットワークパラメータの分布を符号化するHyperVAEというフレームワークを提案する。
遅延符号の後部分布を予測し,行列ネットワークデコーダを用いて後部分布q(theta)を生成する。
論文 参考訳(メタデータ) (2020-05-18T06:46:09Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z)
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。