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
- 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) - Hyperspectral Band Selection based on Generalized 3DTV and Tensor CUR Decomposition [8.812294191190896]
ハイパースペクトルイメージングはリモートセンシングにおいて重要な技術である。
高次元とデータボリュームは、重大な計算上の課題を生じさせる。
データを低ランクで滑らかな成分とスパース成分に分解することで,新しいスペクトル帯域選択モデルを提案する。
論文 参考訳(メタデータ) (2024-05-02T02:23:38Z) - 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) - Active Finetuning: Exploiting Annotation Budget in the
Pretraining-Finetuning Paradigm [132.9949120482274]
本稿では,事前学習ファインタニングパラダイムにおけるアノテーションのためのサンプルの選択に焦点を当てる。
本研究では,アクティブな微調整タスクのためのActiveFTと呼ばれる新しい手法を提案する。
画像分類とセマンティックセグメンテーションの両方に基づくベースラインよりも優れたActiveFTの先行性能と高効率性を示す。
論文 参考訳(メタデータ) (2023-03-25T07:17:03Z) - Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。
そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。
理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-02-18T23:31:20Z) - Syndicated Bandits: A Framework for Auto Tuning Hyper-parameters in
Contextual Bandit Algorithms [74.55200180156906]
文脈的盗賊問題は、探索と搾取の間のトレードオフをモデル化する。
我々のSyndicated Banditsフレームワークは最適な後悔の上限を達成できることを示す。
論文 参考訳(メタデータ) (2021-06-05T22:30:21Z) - 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) - 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) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳(メタデータ) (2020-04-23T05:00:21Z)
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。