論文の概要: Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE)
- arxiv url: http://arxiv.org/abs/2407.04505v1
- Date: Fri, 5 Jul 2024 13:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 13:20:52.769723
- Title: Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE)
- Title（参考訳）: 電気・電子機器同定(WEEE)による廃棄物のハイパースペクトルデータセットと深層学習手法
- Authors: Artzai Picon, Pablo Galan, Arantza Bereciartua-Perez, Leire Benito-del-Valle,
- Abstract要約: ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。
その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。
我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral imaging, a rapidly evolving field, has witnessed the ascendancy of deep learning techniques, supplanting classical feature extraction and classification methods in various applications. However, many researchers employ arbitrary architectures for hyperspectral image processing, often without rigorous analysis of the interplay between spectral and spatial information. This oversight neglects the implications of combining these two modalities on model performance. In this paper, we evaluate the performance of diverse deep learning architectures for hyperspectral image segmentation. Our analysis disentangles the impact of different architectures, spanning various spectral and spatial granularities. Specifically, we investigate the effects of spectral resolution (capturing spectral information) and spatial texture (conveying spatial details) on segmentation outcomes. Additionally, we explore the transferability of knowledge from large pre-trained image foundation models, originally designed for RGB images, to the hyperspectral domain. Results show that incorporating spatial information alongside spectral data leads to improved segmentation results, and that it is essential to further work on novel architectures comprising spectral and spatial information and on the adaption of RGB foundation models into the hyperspectral domain. Furthermore, we contribute to the field by cleaning and publicly releasing the Tecnalia WEEE Hyperspectral dataset. This dataset contains different non-ferrous fractions of Waste Electrical and Electronic Equipment (WEEE), including Copper, Brass, Aluminum, Stainless Steel, and White Copper, spanning the range of 400 to 1000 nm. We expect these conclusions can guide novel researchers in the field of hyperspectral imaging.
- Abstract（参考訳）: ハイパースペクトルイメージングは急速に進歩する分野であり、様々な応用において古典的特徴抽出や分類法に取って代わる深層学習技術の進歩を目撃している。
しかし、多くの研究者は、スペクトル情報と空間情報の相互作用を厳密に分析することなく、ハイパースペクトル画像処理に任意のアーキテクチャを採用している。
この監視は、モデル性能にこれらの2つのモダリティを組み合わせることの意味を無視する。
本稿では,ハイパースペクトル画像分割のための多様なディープラーニングアーキテクチャの性能評価を行う。
我々の分析は、様々なスペクトルと空間の粒度にまたがって異なるアーキテクチャの影響を歪めている。
具体的には、スペクトル分解能(スペクトル情報をキャプチャする)と空間テクスチャ(空間的詳細を探索する)がセグメンテーション結果に及ぼす影響について検討する。
さらに、RGB画像用に設計された大規模な事前学習画像基盤モデルからハイパースペクトル領域への知識の伝達可能性についても検討する。
その結果,空間情報をスペクトルデータと組み合わせることで,分割結果が改善され,スペクトル情報や空間情報を含む新しいアーキテクチャやRGB基盤モデルのハイパースペクトル領域への適応について,さらなる研究が不可欠であることが示唆された。
さらに,Tecnalia WEEE Hyperspectral データセットのクリーニングと公開により,この分野に貢献する。
このデータセットは、銅、ブラス、アルミニウム、ステンレス鋼、白銅を含む廃電気・電子機器(WEEE)の非鉄分を400nmから1000nmの範囲で含む。
これらの結論は、ハイパースペクトルイメージングの分野における新しい研究者を導くことができると期待している。
関連論文リスト
- HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。
特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。
スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
論文 参考訳（メタデータ） (2024-06-17T13:22:58Z) - Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。
機械学習タスクを実行できる無料データの量は比較的少ない。
スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
論文 参考訳（メタデータ） (2024-04-05T13:40:18Z) - Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳（メタデータ） (2023-12-18T11:37:19Z) - SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。
既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。
我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
論文 参考訳（メタデータ） (2023-11-13T07:09:30Z) - 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) - High Spectral Spatial Resolution Synthetic HyperSpectral Dataset form
multi-source fusion [7.249349307341409]
本研究では,高スペクトル像と空間分解能像を組み合わせた合成ハイパースペクトルデータセットを提案する。
提案したデータセットは、RGB、プッシュブルーム可視型ハイパースペクトルカメラ、スナップショット赤外線ハイパースペクトルカメラの3つのモードを活用することで、この制限に対処する。
論文 参考訳（メタデータ） (2023-06-25T11:17:12Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳（メタデータ） (2023-06-14T09:01:50Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Spatial-Spectral Manifold Embedding of Hyperspectral Data [43.479889860715275]
本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。
空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。
SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
論文 参考訳（メタデータ） (2020-07-17T05:40:27Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳（メタデータ） (2020-05-18T14:25:50Z)
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。