論文の概要: Dropout Concrete Autoencoder for Band Selection on HSI Scenes

• arxiv url: http://arxiv.org/abs/2401.16522v1
• Date: Mon, 29 Jan 2024 19:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 17:17:12.737966
• Title: Dropout Concrete Autoencoder for Band Selection on HSI Scenes
• Title（参考訳）: HSIシーンにおけるバンド選択のためのドロップアウトコンクリートオートエンコーダ
• Authors: Lei Xu, Mete Ahishali, and Moncef Gabbouj
• Abstract要約: 本研究では,ハイパースペクトル画像上の情報帯域選択のための新しいエンドツーエンドネットワークを提案する。 提案するネットワークは,コンクリートオートエンコーダ(CAE)とドロップアウト機能ランキング戦略の進歩にインスパイアされている。 4つのHSIシーンにおける実験結果から,提案したドロップアウトCAEは実効性および実効性を示すことが示された。
• 参考スコア（独自算出の注目度）: 17.318853428846847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based informative band selection methods on hyperspectral images (HSI) recently have gained intense attention to eliminate spectral correlation and redundancies. However, the existing deep learning-based methods either need additional post-processing strategies to select the descriptive bands or optimize the model indirectly, due to the parameterization inability of discrete variables for the selection procedure. To overcome these limitations, this work proposes a novel end-to-end network for informative band selection. The proposed network is inspired by the advances in concrete autoencoder (CAE) and dropout feature ranking strategy. Different from the traditional deep learning-based methods, the proposed network is trained directly given the required band subset eliminating the need for further post-processing. Experimental results on four HSI scenes show that the proposed dropout CAE achieves substantial and effective performance levels outperforming the competing methods.
• Abstract（参考訳）: 近年,高スペクトル画像(HSI)における深層学習に基づく帯域選択手法が注目され,スペクトル相関や冗長性は排除されている。 しかしながら、既存のディープラーニングベースの手法では、記述帯域を選択するための追加の後処理戦略が必要か、あるいは、選択手順における離散変数のパラメータ化が不可能であるため、モデルを間接的に最適化する必要がある。 これらの制約を克服するために,情報帯域選択のための新しいエンドツーエンドネットワークを提案する。 提案するネットワークは,コンクリートオートエンコーダ(CAE)とドロップアウト機能ランキング戦略の進歩にインスパイアされている。 従来のディープラーニング方式とは異なり、提案するネットワークは、さらなる後処理の必要性を排除し、必要な帯域サブセットを直接的に訓練する。 4つのHSIシーンにおける実験結果から,提案したドロップアウトCAEは,競合する手法よりも相当かつ効果的に性能が向上することが示された。

関連論文リスト

• Exploring Cross-Domain Few-Shot Classification via Frequency-Aware Prompting [37.721042095518044]
  クロスドメインなFew-Shot Learningはメタラーニングの発展に大きく貢献している。 本稿では,相互に注意を向けた周波数対応プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T08:14:09Z)
• Embedded Hyperspectral Band Selection with Adaptive Optimization for Image Semantic Segmentation [0.0]
  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。
  論文  参考訳（メタデータ） (2024-01-21T07:48:39Z)
• Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
  ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。 本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:21:34Z)
• Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
  大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-07T15:03:42Z)
• An Unsupervised Learning Approach for Spectrum Allocation in Terahertz Communication Systems [31.263991262752498]
  テラヘルツ通信システムにおける教師なし学習を支援する新しいスペクトル割当戦略を提案する。 まず、最適化問題を定式化し、最適なサブバンド帯域幅を決定し、電力を伝送する。 そこで本研究では,教師なし学習に基づく問題解決手法を提案する。
  論文  参考訳（メタデータ） (2022-08-07T02:14:13Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。