論文の概要: Riemannian Complex Matrix Convolution Network for PolSAR Image
Classification
- arxiv url: http://arxiv.org/abs/2312.03378v1
- Date: Wed, 6 Dec 2023 09:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 15:18:38.613448
- Title: Riemannian Complex Matrix Convolution Network for PolSAR Image
Classification
- Title（参考訳）: PolSAR画像分類のためのリーマン複素行列畳み込みネットワーク
- Authors: Junfei Shi and Wei Wang and Haiyan Jin and Mengmeng Nie and Shanshan
Ji
- Abstract要約: 既存のディープラーニング手法は、共分散行列を特徴ベクトルまたは複素値ベクトルに入力として変換することで、PolSARデータを学習する。
複素行列の幾何学的構造を学習するために、PolSAR画像分類のためのリーマン複素行列畳み込みネットワークを提案する。
実験は、異なるバンドとセンサーを持つ実際のPolSARデータの3つのセットで実施される。
- 参考スコア（独自算出の注目度）: 6.958028708925819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning methods have achieved superior performance for
Polarimetric Synthetic Aperture Radar(PolSAR) image classification. Existing
deep learning methods learn PolSAR data by converting the covariance matrix
into a feature vector or complex-valued vector as the input. However, all these
methods cannot learn the structure of complex matrix directly and destroy the
channel correlation. To learn geometric structure of complex matrix, we propose
a Riemannian complex matrix convolution network for PolSAR image classification
in Riemannian space for the first time, which directly utilizes the complex
matrix as the network input and defines the Riemannian operations to learn
complex matrix's features. The proposed Riemannian complex matrix convolution
network considers PolSAR complex matrix endowed in Riemannian manifold, and
defines a series of new Riemannian convolution, ReLu and LogEig operations in
Riemannian space, which breaks through the Euclidean constraint of conventional
networks. Then, a CNN module is appended to enhance contextual Riemannian
features. Besides, a fast kernel learning method is developed for the proposed
method to learn class-specific features and reduce the computation time
effectively. Experiments are conducted on three sets of real PolSAR data with
different bands and sensors. Experiments results demonstrates the proposed
method can obtain superior performance than the state-of-the-art methods.
- Abstract（参考訳）: 近年,PolSAR(Polarimetric Synthetic Aperture Radar)画像分類において,ディープラーニング手法が優れた性能を実現している。
既存のディープラーニング手法は、共分散行列を特徴ベクトルまたは複素値ベクトルに入力として変換することで、PollSARデータを学習する。
しかし、これらの手法はすべて複素行列の構造を直接学習することはできず、チャネル相関を破壊する。
複素行列の幾何学的構造を学習するために、複素行列をネットワーク入力として直接利用し、複素行列の特徴を学習するためにリーマン演算を定義する、初めてリーマン空間における PolSAR 画像分類のためのリーマン複素行列畳み込みネットワークを提案する。
提案されたリーマン複素行列畳み込みネットワークは、リーマン多様体で与えられる PolSAR 複素行列を考察し、リーマン空間における新しいリーマン畳み込み、ReLu と LogEig の一連の作用を定義し、従来のネットワークのユークリッド的制約を突破する。
その後、文脈的リーマン的特徴を高めるためにcnnモジュールが付加される。
さらに,クラス固有の特徴を学習し,計算時間を効率的に短縮する高速カーネル学習法を開発した。
実験は、異なるバンドとセンサーを持つ実際のPolSARデータの3セットで実施される。
実験の結果,提案手法は最先端手法よりも優れた性能が得られることが示された。
関連論文リスト
- Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。
論文 参考訳（メタデータ） (2024-07-15T07:11:44Z) - FORML: A Riemannian Hessian-free Method for Meta-learning on Stiefel Manifolds [4.757859522106933]
本稿では、スティーフェル多様体上の微分の1次近似を用いたヘッセンフリーアプローチを提案する。
本手法は計算負荷とメモリフットプリントを大幅に削減する。
論文 参考訳（メタデータ） (2024-02-28T10:57:30Z) - Recovering Simultaneously Structured Data via Non-Convex Iteratively
Reweighted Least Squares [0.8702432681310401]
線形観測から多種多様低次元構造に固執するデータを復元する新しいアルゴリズムを提案する。
IRLS法は,低/複合状態の計測に好適であることを示す。
論文 参考訳（メタデータ） (2023-06-08T06:35:47Z) - Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。
実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-26T18:31:52Z) - Classification of BCI-EEG based on augmented covariance matrix [0.0]
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
論文 参考訳（メタデータ） (2023-02-09T09:04:25Z) - Quadratic Matrix Factorization with Applications to Manifold Learning [1.6795461001108094]
本稿では,データセットの配置する曲線多様体を学習するための2次行列分解(QMF)フレームワークを提案する。
アルゴリズムでは,QMFを最適化し,その理論的収束特性を確立するための交代最小化アルゴリズムを提案する。
合成多様体学習データセットとMNIST手書きデータセットと低温電子顕微鏡データセットを含む2つの実データセットの実験は、提案手法が競合相手よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-30T15:09:00Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳（メタデータ） (2022-11-22T16:30:33Z) - The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。
ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。
ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文 参考訳（メタデータ） (2022-06-14T12:30:11Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Riemannian Nearest-Regularized Subspace Classification for Polarimetric
SAR images [0.0]
提案手法は,特徴量が少なくても最先端のアルゴリズムより優れている。
新しいチホノフ正則化項は、同じクラス内の差を減らすように設計されている。
論文 参考訳（メタデータ） (2022-01-02T11:21:59Z) - FLAMBE: Structural Complexity and Representation Learning of Low Rank
MDPs [53.710405006523274]
この研究は、表現学習の問題に焦点を当てている。
基礎となる(未知の)力学が低階遷移行列に対応するという仮定の下で、表現学習問題と特定の非線形行列分解問題との関連性を示す。
低階遷移モデルにおけるRLの探索と表現学習を行うFLAMBEを開発した。
論文 参考訳（メタデータ） (2020-06-18T19:11:18Z)
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。