論文の概要: WaveMamba: Spatial-Spectral Wavelet Mamba for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2408.01231v1
- Date: Fri, 2 Aug 2024 12:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 13:27:42.143495
- Title: WaveMamba: Spatial-Spectral Wavelet Mamba for Hyperspectral Image Classification
- Title（参考訳）: WaveMamba:ハイパースペクトル画像分類のための空間スペクトルウェーブレットマンバ
- Authors: Muhammad Ahmad, Muhammad Usama, Manual Mazzara,
- Abstract要約: 本稿では、ウェーブレット変換を空間スペクトルマンバアーキテクチャと統合し、HSI分類を強化する新しいアプローチであるWaveMambaを紹介する。
WaveMambaは既存のモデルを超え、ヒューストン大学のデータセットでは4.5%、パヴィア大学のデータセットでは2.0%の精度向上を実現している。
- 参考スコア（独自算出の注目度）: 1.2074785551319294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral Imaging (HSI) has proven to be a powerful tool for capturing detailed spectral and spatial information across diverse applications. Despite the advancements in Deep Learning (DL) and Transformer architectures for HSI Classification (HSIC), challenges such as computational efficiency and the need for extensive labeled data persist. This paper introduces WaveMamba, a novel approach that integrates wavelet transformation with the Spatial-Spectral Mamba architecture to enhance HSIC. WaveMamba captures both local texture patterns and global contextual relationships in an end-to-end trainable model. The Wavelet-based enhanced features are then processed through the state-space architecture to model spatial-spectral relationships and temporal dependencies. The experimental results indicate that WaveMamba surpasses existing models, achieving an accuracy improvement of 4.5\% on the University of Houston dataset and a 2.0\% increase on the Pavia University dataset. These findings validate its effectiveness in addressing the complex data interactions inherent in HSIs.
- Abstract（参考訳）: ハイパースペクトルイメージング(HSI)は、様々なアプリケーションにわたる詳細なスペクトルと空間情報をキャプチャするための強力なツールであることが証明されている。
HSI分類のためのディープラーニング(DL)とトランスフォーマーアーキテクチャ(HSIC)の進歩にもかかわらず、計算効率や広範なラベル付きデータの必要性といった課題が続いている。
本稿では、ウェーブレット変換を空間スペクトルマンバアーキテクチャと統合してHSICを強化する新しいアプローチであるWaveMambaを紹介する。
WaveMambaは、エンドツーエンドのトレーニング可能なモデルで、ローカルなテクスチャパターンとグローバルなコンテキスト関係の両方をキャプチャします。
Waveletベースの拡張機能はステートスペースアーキテクチャを通じて処理され、空間-スペクトル関係と時間的依存関係をモデル化する。
実験の結果、WaveMambaは既存のモデルを超え、ヒューストン大学のデータセットでは4.5倍の精度向上、パヴィア大学のデータセットでは2.0倍の精度向上を達成した。
これらの結果は,HSIに固有の複雑なデータ相互作用に対処する上での有効性を検証した。
関連論文リスト
- WMamba: Wavelet-based Mamba for Face Forgery Detection [34.216401304665816]
ウェーブレット解析は、空間領域で認識できない微妙な偽造品を発見できる。
We introduced WMamba, a novel wavelet-based feature extractor built on the Mamba architecture。
We show that WMamba achieves state-of-the-art (SOTA) performance, highlighting its effectiveness and superiority in face forgery detection。
論文 参考訳（メタデータ） (2025-01-16T15:44:24Z) - MambaHSI: Spatial-Spectral Mamba for Hyperspectral Image Classification [46.111607032455225]
本稿では,Mambaモデルに基づく新しいHSI分類モデル,MambaHSIを提案する。
具体的には,空間的マンバブロック(SpaMB)を設計し,画素レベルの画像全体の長距離相互作用をモデル化する。
スペクトルベクトルを複数のグループに分割し、異なるスペクトル群間の関係をマイニングし、スペクトル特徴を抽出するスペクトルマンバブロック(SpeMB)を提案する。
論文 参考訳（メタデータ） (2025-01-09T03:27:47Z) - STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。
CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。
空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
論文 参考訳（メタデータ） (2024-12-28T08:49:23Z) - Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement [54.427965535613886]
Mambaは、新しいステートスペースモデル(SSM)として、自然言語処理やコンピュータビジョンに広く応用されている。
本稿では,MambaとU-Net for SEタスクを統合する革新的なアーキテクチャであるMamba-SEUNetを紹介する。
論文 参考訳（メタデータ） (2024-12-21T13:43:51Z) - MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。
具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。
実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-08-15T02:29:00Z) - Spatial and Spatial-Spectral Morphological Mamba for Hyperspectral Image Classification [27.943537708598306]
形態空間マンバ(SMM)モデルと形態空間スペクトルマンバ(SSMM)モデル(MorpMamba)を提案する。
MorpMambaは、形態的操作の強みと状態空間モデルフレームワークを組み合わせることで、トランスフォーマーのより効率的な代替手段を提供する。
広く使われているHSIデータセットの実験結果から、MorpMambaは従来のCNNやトランスフォーマーモデルよりも優れたパラメトリック効率を実現することが示された。
論文 参考訳（メタデータ） (2024-08-02T16:28:51Z) - Multi-head Spatial-Spectral Mamba for Hyperspectral Image Classification [3.105394345970172]
空間スペクトルマンバ(SSM)は計算効率を改善し、長距離依存関係をキャプチャする。
マルチヘッド・セルフアテンション・トークンエンハンスメント(MHSSMamba)を用いたSSMを提案する。
MHSSMambaはパヴィア大学で97.62%、ヒューストン大学で96.92%、サリナスで96.85%、武漢・長九のデータセットで99.49%という顕著な分類精度を達成した。
論文 参考訳（メタデータ） (2024-08-02T12:27:15Z) - Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。
実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。
我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文 参考訳（メタデータ） (2024-07-18T04:36:10Z) - HSIMamba: Hyperpsectral Imaging Efficient Feature Learning with Bidirectional State Space for Classification [16.742768644585684]
HSIMambaは、双方向の逆畳み込みニューラルネットワークパスを使用して、スペクトル特徴をより効率的に抽出する新しいフレームワークである。
提案手法は,CNNの動作効率と,トランスフォーマに見られる注意機構の動的特徴抽出機能を組み合わせたものである。
このアプローチは、現在のベンチマークを超えて分類精度を改善し、トランスフォーマーのような高度なモデルで遭遇する計算の非効率性に対処する。
論文 参考訳（メタデータ） (2024-03-30T07:27:36Z)
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。