論文の概要: Supervised Embedded Methods for Hyperspectral Band Selection

• arxiv url: http://arxiv.org/abs/2401.11420v3
• Date: Mon, 01 Sep 2025 23:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:09.001493
• Title: Supervised Embedded Methods for Hyperspectral Band Selection
• Title（参考訳）: ハイパースペクトル帯域選択のための拡張組込み法
• Authors: Yaniv Zimmer, Ofir Lindenbaum, Oren Glickman,
• Abstract要約: ハイパースペクトルイメージング(HSI)は、連続波長帯にわたる豊富なスペクトル情報をキャプチャする。 HSIは精密農業、環境モニタリング、自動運転の応用をサポートする。 タスク固有のHSI帯域選択のための2つの新しい教師付き組込み手法を提案する。
• 参考スコア（独自算出の注目度）: 12.09273192079783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral Imaging (HSI) captures rich spectral information across contiguous wavelength bands, supporting applications in precision agriculture, environmental monitoring, and autonomous driving. However, its high dimensionality poses computational challenges, particularly in real-time or resource-constrained settings. While prior band selection methods attempt to reduce complexity, they often rely on separate preprocessing steps and lack alignment with downstream tasks. We propose two novel supervised, embedded methods for task-specific HSI band selection that integrate directly into deep learning models. By embedding band selection within the training pipeline, our methods eliminate the need for separate preprocessing and ensure alignment with the target task. Extensive experiments on three remote sensing benchmarks and an autonomous driving dataset show that our methods achieve state-of-the-art performance while selecting only a minimal number of bands. These results highlight the potential of efficient, task-specific HSI pipelines for practical deployment.
• Abstract（参考訳）: ハイパースペクトルイメージング(HSI)は、連続波長帯にまたがる豊富なスペクトル情報をキャプチャし、精密農業、環境モニタリング、自動運転の応用をサポートする。 しかし、その高次元性は特にリアルタイムやリソース制約のある環境では計算上の問題を引き起こす。 以前のバンド選択法は複雑さを減らそうとしているが、それらはしばしば別の前処理ステップに依存し、下流タスクとの整合性を欠いている。 深層学習モデルに直接組み込むタスク固有のHSI帯域選択のための2つの新しい教師付き組込み手法を提案する。 トレーニングパイプラインに帯域選択を埋め込むことで,個別の事前処理の必要性を排除し,目標タスクとの整合性を確保する。 3つのリモートセンシングベンチマークと自律走行データセットによる大規模な実験により、我々の手法は最小限のバンドだけを選択しながら最先端のパフォーマンスを達成することが示された。 これらの結果は、実用的なデプロイメントのための効率的なタスク固有のHSIパイプラインの可能性を強調している。

関連論文リスト

• Optimal Hyperspectral Undersampling Strategy for Satellite Imaging [0.0]
  ハイパースペクトル画像分類のための新しい反復ウェーブレットを用いた勾配サンプリング法を提案する。 IWGSはウェーブレット変換領域内の勾配を解析することにより、最も情報性の高いスペクトル帯域を段階的に選択する。 我々はヒューストン2013とインディアンパインズの2つの広く使われているベンチマークHSIデータセットについて包括的な実験を行った。 IWGSは、精度と計算効率の両方の観点から、最先端のバンド選択と分類技術より一貫して優れている。
  論文  参考訳（メタデータ） (2025-04-27T15:33:33Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。