論文の概要: Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis

• arxiv url: http://arxiv.org/abs/2407.15321v1
• Date: Mon, 22 Jul 2024 01:20:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 16:30:24.182276
• Title: Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis
• Title（参考訳）: 階層的均一性に基づくスーパーピクセルセグメンテーション:ハイパースペクトル画像解析への応用
• Authors: Luciano Carvalho Ayres, Sérgio José Melo de Almeida, José Carlos Moreira Bermudez, Ricardo Augusto Borsoi,
• Abstract要約: ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。 評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
• 参考スコア（独自算出の注目度）: 11.612069983959985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HI) analysis approaches have recently become increasingly complex and sophisticated. Recently, the combination of spectral-spatial information and superpixel techniques have addressed some hyperspectral data issues, such as the higher spatial variability of spectral signatures and dimensionality of the data. However, most existing superpixel approaches do not account for specific HI characteristics resulting from its high spectral dimension. In this work, we propose a multiscale superpixel method that is computationally efficient for processing hyperspectral data. The Simple Linear Iterative Clustering (SLIC) oversegmentation algorithm, on which the technique is based, has been extended hierarchically. Using a novel robust homogeneity testing, the proposed hierarchical approach leads to superpixels of variable sizes but with higher spectral homogeneity when compared to the classical SLIC segmentation. For validation, the proposed homogeneity-based hierarchical method was applied as a preprocessing step in the spectral unmixing and classification tasks carried out using, respectively, the Multiscale sparse Unmixing Algorithm (MUA) and the CNN-Enhanced Graph Convolutional Network (CEGCN) methods. Simulation results with both synthetic and real data show that the technique is competitive with state-of-the-art solutions.
• Abstract（参考訳）: ハイパースペクトル画像(HI)解析のアプローチは、最近ますます複雑で洗練されたものになりつつある。 近年,スペクトル空間情報とスーパーピクセル技術の組み合わせにより,スペクトルシグネチャの高空間変動やデータの次元性といった超スペクトルデータ問題に対処している。 しかし、既存のほとんどのスーパーピクセルアプローチは、その高スペクトル次元から生じる特定のHI特性を考慮に入れていない。 本研究では,ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 この手法をベースとしたSimple Linear Iterative Clustering (SLIC) oversegmentationアルゴリズムは階層的に拡張されている。 新たなロバストなホモジニティテストを用いて、提案された階層的アプローチは、古典的なSLICセグメンテーションと比較すると、可変サイズの超ピクセルをもたらすが、スペクトルのホモジニティが高い。 提案手法は,Multiscale sparse Unmixing Algorithm (MUA) と CNN-Enhanced Graph Convolutional Network (CEGCN) 法を用いて,スペクトルアンミックスと分類作業の事前処理ステップとして適用された。 合成データと実データの両方によるシミュレーションの結果、この技術は最先端のソリューションと競合することを示している。

関連論文リスト

• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• 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)
• A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [0.0]
  ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。 スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。 3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2022-11-01T13:19:08Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
  本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
  論文  参考訳（メタデータ） (2022-04-10T09:37:41Z)
• Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks [51.15952040322895]
  ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。 M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。 HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T23:28:18Z)
• LADMM-Net: An Unrolled Deep Network For Spectral Image Fusion From Compressive Data [6.230751621285322]
  ハイパースペクトル(HS)およびマルチスペクトル(MS)画像融合は、低空間分解能HS画像と低スペクトル分解能MS画像から高分解能スペクトル画像を推定することを目的とする。 本研究では,HSおよびMS圧縮測定による融合問題の解法として,アルゴリズムアンロール法に基づくディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-03-01T12:04:42Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• 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)
• Hyperspectral Image Classification Based on Sparse Modeling of Spectral Blocks [6.99674326582747]
  ハイパースペクトル画像分類のためのスパースモデリングフレームワークを提案する。 提案手法により,高スペクトル画像の頑健なスパースモデルが実現され,分類精度が向上する。
  論文  参考訳（メタデータ） (2020-05-17T08:18:13Z)

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。