論文の概要: Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for
Hyperspectral Image Clustering
- arxiv url: http://arxiv.org/abs/2312.09630v1
- Date: Fri, 15 Dec 2023 09:19:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 16:24:48.356433
- Title: Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for
Hyperspectral Image Clustering
- Title（参考訳）: ハイパースペクトル画像クラスタリングのための画素コントラスト学習と擬似ラベル補正
- Authors: Renxiang Guan and Zihao Li and Xianju Li and Chang Tang
- Abstract要約: 既存のピクセルレベルと超ピクセルレベルのHSIクラスタリングタスクでは,コントラスト学習手法が優れている。
超画素レベルのコントラスト学習法は,HSIの均一性を生かし,演算資源を削減する。
本稿では,画素とスーパーピクセルのクラスタリングの擬似ラベルを整列する擬似ラベル補正モジュールを提案する。
- 参考スコア（独自算出の注目度）: 15.366312862496226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral image (HSI) clustering is gaining considerable attention owing
to recent methods that overcome the inefficiency and misleading results from
the absence of supervised information. Contrastive learning methods excel at
existing pixel level and super pixel level HSI clustering tasks. The
pixel-level contrastive learning method can effectively improve the ability of
the model to capture fine features of HSI but requires a large time overhead.
The super pixel-level contrastive learning method utilizes the homogeneity of
HSI and reduces computing resources; however, it yields rough classification
results. To exploit the strengths of both methods, we present a pixel super
pixel contrastive learning and pseudo-label correction (PSCPC) method for the
HSI clustering. PSCPC can reasonably capture domain-specific and fine-grained
features through super pixels and the comparative learning of a small number of
pixels within the super pixels. To improve the clustering performance of super
pixels, this paper proposes a pseudo-label correction module that aligns the
clustering pseudo-labels of pixels and super-pixels. In addition, pixel-level
clustering results are used to supervise super pixel-level clustering,
improving the generalization ability of the model. Extensive experiments
demonstrate the effectiveness and efficiency of PSCPC.
- Abstract（参考訳）: hyperspectral image (hsi)クラスタリングは、教師なし情報による非効率性や誤解を招く結果を克服する近年の手法により、かなりの注目を集めている。
既存のピクセルレベルと超ピクセルレベルのHSIクラスタリングタスクで比較学習法が優れている。
画素レベルのコントラスト学習法は、HSIの微細な特徴を捕捉するモデルの能力を効果的に向上するが、大きな時間的オーバーヘッドを必要とする。
超ピクセルレベルのコントラスト学習法はhsiの均質性を利用し、計算資源を減少させるが、大まかな分類結果が得られる。
両手法の強みを利用するために,HSIクラスタリングのための画素超画素コントラスト学習と擬似ラベル補正(PSCPC)手法を提案する。
pscpcはスーパーピクセルとスーパーピクセル内の少数のピクセルの比較学習によって、ドメイン固有かつ細かな特徴を合理的に捉えることができる。
スーパーピクセルのクラスタリング性能を向上させるために,スーパーピクセルとスーパーピクセルのクラスタリング擬似ラベルを整列する擬似ラベル補正モジュールを提案する。
さらに、画素レベルのクラスタリング結果を用いて、スーパーピクセルレベルのクラスタリングを監督し、モデルの一般化能力を向上させる。
大規模な実験はPSCPCの有効性と効率を実証した。
関連論文リスト
- A consensus-constrained parsimonious Gaussian mixture model for
clustering hyperspectral images [0.0]
食品エンジニアは、ハイパースペクトル画像を使用して、食品サンプルのタイプと品質を分類する。
これらの手法を訓練するには、各トレーニング画像の各ピクセルにラベルを付ける必要がある。
ハイパースペクトル画像に画素をラベル付けするために, コンセンサス制約付き擬似ガウス混合モデル (ccPGMM) を提案する。
論文 参考訳（メタデータ） (2024-03-05T22:23:43Z) - Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。
まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。
次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文 参考訳（メタデータ） (2024-03-04T07:40:55Z) - Superpixel-based and Spatially-regularized Diffusion Learning for
Unsupervised Hyperspectral Image Clustering [4.643572021927615]
本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。
S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。
S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
論文 参考訳（メタデータ） (2023-12-24T09:54:40Z) - Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。
本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。
実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
論文 参考訳（メタデータ） (2023-09-30T02:54:51Z) - 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) - Information-guided pixel augmentation for pixel-wise contrastive
learning [22.00687816406677]
ピクセルワイドコントラスト学習は、医学的ランドマーク検出のようなピクセルワイドなタスクに役立つ。
そこで本研究では,教師なし画素単位のコントラスト学習を改善するために,画素粒度を有する画素増倍法を提案する。
論文 参考訳（メタデータ） (2022-11-14T05:12:23Z) - Superpixel-guided Discriminative Low-rank Representation of
Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。
3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文 参考訳（メタデータ） (2021-08-25T10:47:26Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z) - Superpixel Segmentation Based on Spatially Constrained Subspace
Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。
従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。
本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-11T06:18:36Z) - Texture Superpixel Clustering from Patch-based Nearest Neighbor Matching [2.84279467589473]
そこで本研究では,テクスチャ対応のスーパーピクセルを限られた計算時間で生成する,Nearest Neighbor-based Superpixel Clustering (NNSC)法を提案する。
論文 参考訳（メタデータ） (2020-03-09T21:11:21Z)
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。