論文の概要: Unsupervised Band Selection Using Fused HSI and LiDAR Attention Integrating With Autoencoder
- arxiv url: http://arxiv.org/abs/2404.05258v1
- Date: Mon, 8 Apr 2024 07:47:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 15:13:56.751582
- Title: Unsupervised Band Selection Using Fused HSI and LiDAR Attention Integrating With Autoencoder
- Title（参考訳）: オートエンコーダと統合したHSIとLiDARアテンションを用いた教師なし帯域選択
- Authors: Judy X Yang, Jun Zhou, Jing Wang, Hui Tian, Alan Wee Chung Liew,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.742768644585684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Band selection in hyperspectral imaging (HSI) is critical for optimising data processing and enhancing analytical accuracy. Traditional approaches have predominantly concentrated on analysing spectral and pixel characteristics within individual bands independently. These approaches overlook the potential benefits of integrating multiple data sources, such as Light Detection and Ranging (LiDAR), and is further challenged by the limited availability of labeled data in HSI processing, which represents a significant obstacle. To address these challenges, this paper introduces a novel unsupervised band selection framework that incorporates attention mechanisms and an Autoencoder for reconstruction-based band selection. Our methodology distinctively integrates HSI with LiDAR data through an attention score, using a convolutional Autoencoder to process the combined feature mask. This fusion effectively captures essential spatial and spectral features and reduces redundancy in hyperspectral datasets. A comprehensive comparative analysis of our innovative fused band selection approach is performed against existing unsupervised band selection and fusion models. We used data sets such as Houston 2013, Trento, and MUUFLE for our experiments. The results demonstrate that our method achieves superior classification accuracy and significantly outperforms existing models. This enhancement in HSI band selection, facilitated by the incorporation of LiDAR features, underscores the considerable advantages of integrating features from different sources.
- Abstract（参考訳）: 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。
これらのアプローチは、Light Detection and Ranging (LiDAR)のような複数のデータソースを統合するという潜在的な利点を見落としている。
これらの課題に対処するために,アテンション機構を組み込んだ新しいアン教師なしバンド選択フレームワークと,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提案する。
提案手法では,コンボリューショナルオートエンコーダを用いて特徴マスクの処理を行い,注目スコアを用いてHSIとLiDARデータを統合する。
この融合は、必要不可欠な空間的特徴とスペクトル的特徴を効果的に捉え、ハイパースペクトルデータセットの冗長性を減少させる。
既存の非教師付きバンド選択と融合モデルに対して,我々の革新的な融合バンド選択手法の包括的比較分析を行う。
実験ではHouston 2013、Trento、MUUFLEといったデータセットを使用しました。
その結果,本手法はより優れた分類精度を実現し,既存モデルよりも大幅に優れていることがわかった。
このHSIバンド選択の強化は、LiDARの機能を取り入れることによって促進され、異なるソースからの機能を統合するという大きな利点を浮き彫りにしている。
関連論文リスト
- Leveraging band diversity for feature selection in EO data [6.508088032296086]
相関帯域における決定点過程を用いて,多様な帯域を選択する手法を提案する。
この分析を任意の機械学習モデルに入力することで、詳細な分析と監視を高精度かつ正確に行うことができる。
論文 参考訳（メタデータ） (2025-02-07T07:30:29Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。
本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。
提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
論文 参考訳（メタデータ） (2024-11-30T01:08:08Z) - Spectral-Spatial Transformer with Active Transfer Learning for Hyperspectral Image Classification [3.446873355279676]
ハイパースペクトル画像(HSI)の分類は、高スペクトル次元と限られたラベル付きデータのために難しい課題である。
本研究では,空間スペクトル変換器(SST)と能動学習プロセスを統合し,効率的なHSI分類を実現するための多段階能動移動学習(ATL)フレームワークを提案する。
HSIデータセットのベンチマーク実験では、SST-ATLフレームワークが既存のCNNやSSTベースの手法よりも大幅に優れていることが示されている。
論文 参考訳（メタデータ） (2024-11-27T07:53:39Z) - 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) - LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification [16.742768644585684]
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。
論文 参考訳（メタデータ） (2024-04-05T04:11:31Z) - Embedded Hyperspectral Band Selection with Adaptive Optimization for Image Semantic Segmentation [0.0]
本稿では,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域選択の先駆的アプローチを提案する。
提案手法は,組込み高スペクトル帯域選択 (EHBS) 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。
我々は2つの異なるセマンティック・セグメンテーション・ハイパースペクトル・ベンチマーク・データセットの実験を行い、精度と使いやすさの観点からそれらの優位性を実証した。
論文 参考訳（メタデータ） (2024-01-21T07:48:39Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - Ensemble Model with Batch Spectral Regularization and Data Blending for
Cross-Domain Few-Shot Learning with Unlabeled Data [75.94147344921355]
多様な特徴変換行列を用いてマルチブランチアンサンブルフレームワークを構築する。
本研究では,未ラベルデータを利用したデータブレンディング手法を提案し,対象領域におけるスパースサポートを増強する。
論文 参考訳（メタデータ） (2020-06-08T02:27:34Z)
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。