論文の概要: Embedded Hyperspectral Band Selection with Adaptive Optimization for Image Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2401.11420v1
• Date: Sun, 21 Jan 2024 07:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 16:34:47.239765
• Title: Embedded Hyperspectral Band Selection with Adaptive Optimization for Image Semantic Segmentation
• Title（参考訳）: 画像意味セグメンテーションのための適応最適化による埋め込みハイパースペクトル帯域選択
• Authors: Yaniv Zimmer and Oren Glickman
• Abstract要約: 組込みソリューションを提供するハイパースペクトル帯選択のための先駆的アプローチを導入する。 提案手法は, 先行処理を必要とせず, 最適帯域の選択に優れる埋込みハイパースペクトル帯域選択(EHBS)である。 他のタスクへの我々のアプローチの適応性は、より広範なアプリケーションへの有望な道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral band selection plays a pivotal role in remote sensing and image analysis, aiming to identify the most informative spectral bands while minimizing computational overhead. In this paper, we introduce a pioneering approach for hyperspectral band selection that offers an embedded solution, making it well-suited for resource-constrained or real-time applications. Our proposed method, embedded Hyperspectral Band Selection (EHBS), excels in selecting the best bands without the need for prior processing, seamlessly integrating with the downstream task model. This is achieved through the adaptation of the Stochastic Gates (STG) algorithm, originally designed for feature selection, for hyperspectral band selection in the context of image semantic segmentation and the integration of a dynamic optimizer, DoG, which removes the need for the required tuning the learning rate. To assess the performance of our method, we introduce a novel metric for evaluating band selection methods across different target numbers of selected bands quantified by the Area Under the Curve (AUC). We conduct experiments on two distinct semantic-segmentation hyperspectral benchmark datasets, demonstrating its superiority in terms of its resulting accuracy and its ease of use compared to many common and state-of-the-art methods. Furthermore, our contributions extend beyond the realm of hyperspectral band selection. The adaptability of our approach to other tasks, especially those involving grouped features, opens up promising avenues for broader applications within the realm of deep learning, such as feature selection for feature groups. The demonstrated success on the tested datasets and the potential for application to a variety of tasks underscore the value of our method as a substantial addition to the field of computer vision.
• Abstract（参考訳）: ハイパースペクトル帯選択はリモートセンシングと画像解析において重要な役割を担い、計算オーバーヘッドを最小化しながら最も情報に富むスペクトル帯を特定することを目的としている。 本稿では,ハイパースペクトル帯選択の先駆的アプローチを導入し,リソース制約やリアルタイムアプリケーションに適した組み込みソリューションを提案する。 提案手法であるehbs(embedd hyperspectral band selection)は,サブストリームタスクモデルとシームレスに統合することにより,事前処理を必要とせずに最適な帯域を選択することができる。 これは、画像セマンティックセグメンテーションの文脈における高スペクトル帯域選択と、学習速度を調整する必要のない動的オプティマイザ(DoG)の統合のために、もともと特徴選択のために設計されたStochastic Gates (STG)アルゴリズムの適応によって達成される。 本手法の性能を評価するために,曲線下の領域で定量化された選択されたバンドの異なるターゲット数にわたるバンド選択法を評価するための新しい指標(auc)を提案する。 セマンティクス・セグメンテーションのハイパースペクトルベンチマークデータセットを2つに分けて実験を行い,その精度と使いやすさの点で,一般的な手法や最先端手法に比べて優れていることを示した。 さらに、我々の貢献は超スペクトル帯域選択の領域を超えて広がります。 他のタスク、特にグループ化された機能へのアプローチの適用性は、機能グループの特徴選択など、ディープラーニング領域における幅広いアプリケーションへの有望な道を開く。 テストしたデータセットの成功と、さまざまなタスクへの適用の可能性は、コンピュータビジョンの分野への実質的な追加として、我々の手法の価値を浮き彫りにした。

関連論文リスト

• Adapt-$\infty$: Scalable Lifelong Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、Lifelong Instruction Tuningの新しいマルチウェイおよびアダプティブデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• Multi-Teacher Multi-Objective Meta-Learning for Zero-Shot Hyperspectral Band Selection [50.30291173608449]
  ゼロショットハイパースペクトル帯選択のための新しい多目的メタラーニングネットワーク(M$3$BS)を提案する。 M$3$BSでは、データセットに依存しないベースを生成するために、一般化可能なグラフ畳み込みネットワーク(GCN)を構築している。 取得したメタ知識は、トレーニングや微調整なしに、直接見えないデータセットに転送することができる。
  論文  参考訳（メタデータ） (2024-06-12T07:13:31Z)
• Unsupervised Band Selection Using Fused HSI and LiDAR Attention Integrating With Autoencoder [16.742768644585684]
  ハイパースペクトルイメージング(HSI)における帯域選択は,データ処理の最適化と解析精度の向上に重要である。 従来のアプローチは、個々のバンド内のスペクトル特性と画素特性を独立して分析することに集中してきた。 本稿では、アテンション機構と、再構成に基づくバンド選択のためのオートエンコーダを組み込んだ、新しい教師なしバンド選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:47:28Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Hyperspectral Band Selection for Multispectral Image Classification with Convolutional Networks [0.0]
  ハイパースペクトル画像から波長の減少したセットを選択するための新しいバンド選択法を提案する。 本手法により,マルチスペクトルセンサの設計に適した結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-06-01T17:24:35Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Deep Reinforcement Learning for Band Selection in Hyperspectral Image Classification [21.098473348205726]
  帯域選択とは、ハイパースペクトル画像において最も関連性の高い帯域を選択する過程を指す。 本稿では、ポリシーを自動的に学習して最適な帯域部分集合を選択できるインテリジェントエージェントを訓練することに関心を寄せる。 本研究では,教師なし帯域選択の問題をマルコフ決定プロセスとして捉え,パラメータ化のための効果的な手法を提案し,さらに深層強化学習によって解決する。
  論文  参考訳（メタデータ） (2021-03-15T22:06:15Z)
• Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
  組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。 各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。 我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
  論文  参考訳（メタデータ） (2020-01-15T13:14:10Z)

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。