論文の概要: An Elliptic Kernel Unsupervised Autoencoder-Graph Convolutional Network Ensemble Model for Hyperspectral Unmixing
- arxiv url: http://arxiv.org/abs/2406.06742v1
- Date: Mon, 10 Jun 2024 19:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 20:25:28.269478
- Title: An Elliptic Kernel Unsupervised Autoencoder-Graph Convolutional Network Ensemble Model for Hyperspectral Unmixing
- Title（参考訳）: ハイパースペクトルアンミックスのための楕円カーネル教師なしオートエンコーダ-グラフ畳み込みネットワークアンサンブルモデル
- Authors: Estefania Alfaro-Mejia, Carlos J Delgado, Vidya Manian,
- Abstract要約: 本稿では,エンサンブルモデルワークフローであるAutoencoder Graph Ensemble Model (AEGEM)について述べる。
提案されたAEGEMは、Samson、Jasper、Urbanといったベンチマークデータセットで評価されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Spectral Unmixing is an important technique in remote sensing used to analyze hyperspectral images to identify endmembers and estimate abundance maps. Over the past few decades, performance of techniques for endmember extraction and fractional abundance map estimation have significantly improved. This article presents an ensemble model workflow called Autoencoder Graph Ensemble Model (AEGEM) designed to extract endmembers and fractional abundance maps. An elliptical kernel is applied to measure spectral distances, generating the adjacency matrix within the elliptical neighborhood. This information is used to construct an elliptical graph, with centroids as senders and remaining pixels within the geometry as receivers. The next step involves stacking abundance maps, senders, and receivers as inputs to a Graph Convolutional Network, which processes this input to refine abundance maps. Finally, an ensemble decision-making process determines the best abundance maps based on root mean square error metric. The proposed AEGEM is assessed with benchmark datasets such as Samson, Jasper, and Urban, outperforming results obtained by baseline algorithms. For the Samson dataset, AEGEM excels in three abundance maps: water, tree and soil yielding values of 0.081, 0.158, and 0.182, respectively. For the Jasper dataset, results are improved for the tree and water endmembers with values of 0.035 and 0.060 in that order, as well as for the mean average of the spectral angle distance metric 0.109. For the Urban dataset, AEGEM outperforms previous results for the abundance maps of roof and asphalt, achieving values of 0.135 and 0.240, respectively. Additionally, for the endmembers of grass and roof, AEGEM achieves values of 0.063 and 0.094.
- Abstract（参考訳）: スペクトルアンミキシング(Spectral Unmixing)は、ハイパースペクトル画像を分析し、エンドメンバーを特定し、アブリダンスマップを推定するために使用されるリモートセンシングにおいて重要な技術である。
過去数十年間、エンドメンバー抽出法と分数量マップ推定法の性能は大幅に向上した。
本稿では,エンサンブルモデルワークフローであるAutoencoder Graph Ensemble Model (AEGEM)について述べる。
楕円核を用いてスペクトル距離を測定し、楕円近傍の隣接行列を生成する。
この情報は楕円グラフの構築に使われ、センチロイドを送信機とし、静止画素を受信機として使用する。
次のステップでは、グラフ畳み込みネットワークへの入力として、アバンダンスマップ、送信機、受信機を積み重ねて、この入力を処理してアバンダンスマップを洗練させる。
最後に、アンサンブル決定プロセスは、ルート平均二乗誤差距離に基づいて最適なアマンダンスマップを決定する。
提案したAEGEMは、Samson、Jasper、Urbanなどのベンチマークデータセットを用いて評価され、ベースラインアルゴリズムによって得られた結果よりも優れている。
サムソンのデータセットでは、AEGEMは、それぞれ0.081、0.158、0.182の値を持つ水、木、土壌の3つの豊富なマップを抽出している。
ジャスパーデータセットでは,その順に0.035,0.060,およびスペクトル角距離測定値0.109の平均値で木と水が改良された。
アーバン・データセットでは、AEGEMは、屋根とアスファルトの豊富なマップの以前の結果より優れており、それぞれ0.135と0.240の値が得られた。
さらに、草と屋根のエンドメンバーに対しては、AEGEMは0.063と0.094の値を達成している。
関連論文リスト
- GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。
In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
論文 参考訳（メタデータ） (2024-07-15T12:58:04Z) - Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。
植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
論文 参考訳（メタデータ） (2024-02-01T03:39:01Z) - Human Semantic Segmentation using Millimeter-Wave Radar Sparse Point
Clouds [3.3888257250564364]
本稿では,ミリ波レーダの粗い逐次点雲のセマンティックセグメンテーションのためのフレームワークを提案する。
mmWaveデータの空間的特徴と時間的トポロジ的特徴は依然として問題である。
グラフ構造とトポロジ的特徴をポイントクラウドに導入し,セマンティックセグメンテーションフレームワークを提案する。
我々のモデルは、$mathbf82.31%$でカスタムデータセットの平均精度を達成し、最先端のアルゴリズムより優れている。
論文 参考訳（メタデータ） (2023-04-27T12:28:06Z) - A Large Scale Homography Benchmark [52.55694707744518]
1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。
また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
論文 参考訳（メタデータ） (2023-02-20T14:18:09Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - Contour Context: Abstract Structural Distribution for 3D LiDAR Loop
Detection and Metric Pose Estimation [31.968749056155467]
本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。
我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。
検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
論文 参考訳（メタデータ） (2023-02-13T07:18:24Z) - BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR [22.553026961366005]
意味的に特定されたコンポーネントの完全連結グラフとして、3Dポイントクラウドをモデル化する。
グラフ間の最適アソシエーションにより、完全な6自由度(DoF)のポーズ推定と位置認識が可能になる。
この表現は非常に簡潔で、最先端に対して25の因子で写像のサイズを縮める。
論文 参考訳（メタデータ） (2022-06-30T09:39:08Z) - A Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。
提案手法は最先端のディープラーニング手法と比較した。
精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
論文 参考訳（メタデータ） (2021-02-05T14:56:42Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z) - ShapeVis: High-dimensional Data Visualization at Scale [10.007129417823858]
トポロジカルデータ解析にインスパイアされたポイントクラウドデータのためのスケーラブルな可視化技術であるShapeVisを紹介する。
本手法は,圧縮された図形表現において,データの基底となる幾何学的および位相的構造をキャプチャする。
論文 参考訳（メタデータ） (2020-01-15T07:59:13Z)
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。