論文の概要: LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification
- arxiv url: http://arxiv.org/abs/2404.03883v1
- Date: Fri, 5 Apr 2024 04:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-08 17:06:15.310940
- Title: LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification
- Title（参考訳）: LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification
- Authors: Judy X Yang, Jun Zhou, Jing Wang, Hui Tian, Wee Chung Liew,
- Abstract要約: 本稿では,LiDARデータで導かれるHSI帯域の選択のためのクロスアテンション機構を提案する。
この方法は、選択したHSIバンドが冗長性と計算要求を大幅に低減することを保証する。
HSIとLiDARの3つのデータセット(ヒューストン2013、トレント、MUUFL)で実験が行われた。
- 参考スコア（独自算出の注目度）: 12.308632276169433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fusion of hyperspectral and LiDAR data has been an active research topic. Existing fusion methods have ignored the high-dimensionality and redundancy challenges in hyperspectral images, despite that band selection methods have been intensively studied for hyperspectral image (HSI) processing. This paper addresses this significant gap by introducing a cross-attention mechanism from the transformer architecture for the selection of HSI bands guided by LiDAR data. LiDAR provides high-resolution vertical structural information, which can be useful in distinguishing different types of land cover that may have similar spectral signatures but different structural profiles. In our approach, the LiDAR data are used as the "query" to search and identify the "key" from the HSI to choose the most pertinent bands for LiDAR. This method ensures that the selected HSI bands drastically reduce redundancy and computational requirements while working optimally with the LiDAR data. Extensive experiments have been undertaken on three paired HSI and LiDAR data sets: Houston 2013, Trento and MUUFL. The results highlight the superiority of the cross-attention mechanism, underlining the enhanced classification accuracy of the identified HSI bands when fused with the LiDAR features. The results also show that the use of fewer bands combined with LiDAR surpasses the performance of state-of-the-art fusion models.
- Abstract（参考訳）: ハイパースペクトルとLiDARデータの融合は、活発な研究トピックである。
既存の融合法は、高スペクトル画像(HSI)処理においてバンド選択法が集中的に研究されているにもかかわらず、高スペクトル画像の高次元性と冗長性の問題を無視している。
本稿では、LiDARデータで導かれるHSI帯域の選択のためのトランスフォーマーアーキテクチャから、クロスアテンション機構を導入することで、この大きなギャップを解消する。
LiDARは高解像度の垂直構造情報を提供しており、異なるタイプの土地被覆を識別するのに有用である。
提案手法では,LiDARデータを用いて,HSIからキーを検索し,識別し,LiDARの有意な帯域を選択する。
この方法は、選択したHSIバンドがLiDARデータを最適に処理しながら、冗長性と計算要求を大幅に低減することを保証する。
HSIとLiDARの3つのデータセット(ヒューストン2013、トレント、MUUFL)で大規模な実験が行われた。
その結果,LiDAR特徴と融合した場合に,同定されたHSI帯域の分類精度が向上することを示すとともに,クロスアテンション機構の優位性を強調した。
また,LiDARと組み合わさったバンドの使用が,最先端の融合モデルの性能を上回ることを示した。
関連論文リスト
- Test-time Training for Hyperspectral Image Super-resolution [95.38382633281398]
ハイパースペクトル画像(HSI)超解像(SR)は、まだRGB画像SRの研究に遅れを取っている。
本研究では,この問題に対処するための新しいテストタイムトレーニング手法を提案する。
具体的には、より正確な擬似ラベルとより正確なLR-HR関係を生成する新しい自己学習フレームワークを開発する。
論文 参考訳（メタデータ） (2024-09-13T09:30:19Z) - 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) - Bridging Sensor Gaps via Attention Gated Tuning for Hyperspectral Image Classification [9.82907639745345]
HSI分類法は高品質なラベル付きHSIを必要とするが、しばしば入手するのにコストがかかる。
本稿では,3重構造トランスモデルであるTri-Formerを提案する。
論文 参考訳（メタデータ） (2023-09-22T13:39:24Z) - Multimodal Hyperspectral Image Classification via Interconnected Fusion [12.41850641917384]
The Interconnect Fusion (IF) framework is proposed to explore the relationship across HSI and LiDAR modalities comprehensively。
トレント、MUUFL、ヒューストンの3つの広く使われているデータセットで実験が行われた。
論文 参考訳（メタデータ） (2023-04-02T09:46:13Z) - Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。
本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。
我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文 参考訳（メタデータ） (2023-01-03T06:47:31Z) - Hyperspectral Images Classification and Dimensionality Reduction using
spectral interaction and SVM classifier [0.0]
ハイパースペクトル画像(HSI)の高次元性は、収集したデータを分析する上で大きな課題の1つである。
ノイズ、冗長、無関係なバンドの存在は、計算複雑性を増大させる。
本稿では,スペクトル相互作用尺度に基づく新しいフィルタ手法と,次元減少のための支持ベクトルマシンを提案する。
論文 参考訳（メタデータ） (2022-10-27T15:37:57Z) - Supervised classification methods applied to airborne hyperspectral
images: Comparative study using mutual information [0.0]
本稿では,SVM,Random Forest RF,K-Nearest Neighbors KNN,Linear Discriminant Analysis LDAの4つの教師付き学習アルゴリズムの性能について検討する。
実験は、NASAの空中可視/赤外線イメージング分光計センサーAVIRISと反射光学系イメージング分光計ROSISセンサーから得られた3つの実際のハイパースペクトルデータセットで実施された。
論文 参考訳（メタデータ） (2022-10-27T13:39:08Z) - Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。
このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。
nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-06-30T01:44:30Z) - LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object
Detection [96.63947479020631]
多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。
異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
論文 参考訳（メタデータ） (2022-03-28T17:59:02Z) - Hyperspectral Image Super-Resolution with Spectral Mixup and
Heterogeneous Datasets [99.92564298432387]
ハイパースペクトル画像(HSI)超解像(SR)の研究
HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。
これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
論文 参考訳（メタデータ） (2021-01-19T12:19:53Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z)
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。