論文の概要: Hyperspectral Unmixing of Agricultural Images taken from UAV Using Adapted U-Net Architecture

• arxiv url: http://arxiv.org/abs/2409.19701v1
• Date: Sun, 29 Sep 2024 13:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:02:31.761715
• Title: Hyperspectral Unmixing of Agricultural Images taken from UAV Using Adapted U-Net Architecture
• Title（参考訳）: 適応型U-Netアーキテクチャを用いたUAVからの農業画像のハイパースペクトルアンミックス
• Authors: Vytautas Paura, Virginijus Marcinkevičius,
• Abstract要約: ハイパースペクトルアンミキシング法は、ハイパースペクトルデータ立方体画素から材料(通常エンドメンバーと呼ばれる)データを、その量とともに抽出する。 本稿では,UAVに搭載されたハイパースペクトルカメラによって収集されたブルーベリーフィールドデータから作成したハイパースペクトルアンミックスデータセットを作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The hyperspectral unmixing method is an algorithm that extracts material (usually called endmember) data from hyperspectral data cube pixels along with their abundances. Due to a lower spatial resolution of hyperspectral sensors data in each of the pixels may contain mixed information from multiple endmembers. In this paper we create a hyperspectral unmixing dataset, created from blueberry field data gathered by a hyperspectral camera mounted on a UAV. We also propose a hyperspectral unmixing algorithm based on U-Net network architecture to achieve more accurate unmixing results on existing and newly created hyperspectral unmixing datasets.
• Abstract（参考訳）: ハイパースペクトルアンミキシング法(Hyperspectral unmixing method)は、ハイパースペクトルデータ立方体ピクセルから物質(通常はエンドメンバーと呼ばれる)データを抽出するアルゴリズムである。 ハイパースペクトルセンサデータの空間分解能が低いため、各画素は複数のエンドメンバーからの混合情報を含むことができる。 本稿では,UAVに搭載されたハイパースペクトルカメラによって収集されたブルーベリーフィールドデータから作成したハイパースペクトルアンミックスデータセットを作成する。 また,U-Netネットワークアーキテクチャに基づくハイパースペクトルアンミキシングアルゴリズムを提案し,既存のハイパースペクトルアンミキシングデータセットに対してより正確なアンミキシング結果を実現する。

関連論文リスト

• Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
  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。
  論文  参考訳（メタデータ） (2024-07-22T01:20:32Z)
• 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)
• Multi-view Aggregation Network for Dichotomous Image Segmentation [76.75904424539543]
  Dichotomous Image (DIS) は近年,高解像度自然画像からの高精度物体分割に向けて出現している。 既存の手法は、グローバルなローカライゼーションと局所的な洗練を徐々に完了させるために、退屈な複数のエンコーダ・デコーダストリームとステージに依存している。 これに触発されて、我々は多視点オブジェクト認識問題としてdisをモデル化し、擬似多視点アグリゲーションネットワーク(MVANet)を提供する。 一般的なdis-5Kデータセットの実験では、我々のMVANetは精度と速度の両方で最先端の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2024-04-11T03:00:00Z)
• SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet Variational Autoencoder for Hyperspectral Pixel Unmixing [1.8024397171920885]
  この研究は、局所空間コンテキストを考慮したLDVAE (Latent Dirichlet Variational Autoencoder) ピクセルアンミックス方式を拡張した。 提案手法は,等方性畳み込みニューラルネットワークを用いて,エンドメンバー上のディリクレ分布として画素を符号化する。
  論文  参考訳（メタデータ） (2023-11-17T18:45:00Z)
• 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)
• SAWU-Net: Spatial Attention Weighted Unmixing Network for Hyperspectral Images [91.20864037082863]
  本稿では,空間的注意ネットワークと重み付き未混合ネットワークをエンドツーエンドに学習する,SAWU-Netと呼ばれる空間的注意重み付き未混合ネットワークを提案する。 特に,画素アテンションブロックとウィンドウアテンションブロックからなる空間アテンションモジュールを設計し,画素ベースのスペクトル情報とパッチベースの空間情報を効率的にモデル化する。 実データと合成データの実験結果から,SAWU-Netの精度と優位性が示された。
  論文  参考訳（メタデータ） (2023-04-22T05:22:50Z)
• 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)
• Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry [6.279792995020646]
  本研究では,高度に混合したハイパースペクトル画像の分割のための空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを提案する。 DSIRCは、データ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣のピクセルを用いて再構成する。 その結果,画像再構成による空間情報の取り込みにより,画素単位のクラスタリングの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2022-04-28T13:42:12Z)
• Self-supervised spectral matching network for hyperspectral target detection [8.831857715361624]
  いくつかのターゲットサンプルから、航空機、車両、船舶などの特定のターゲットピクセルをハイパースペクトル画像全体から識別することを目的としています。 一般に、背景ピクセルは画像の大部分を取り、複雑に分散します。 スペクトル混合に基づく自己監視型パラダイムは、ハイパースペクトルデータのために設計され、効果的な特徴表現を得る。
  論文  参考訳（メタデータ） (2021-05-10T02:32:58Z)
• Convolutional Autoencoder for Blind Hyperspectral Image Unmixing [0.0]
  スペクトルアンミックス(英: spectrum unmixing)は、混合ピクセルを2つの基本的代表、すなわちエンドメンバーとアブリダンスに分解する技法である。 本稿では,ハイパースペクトル画像にブラインドアンミックスを行う新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T17:41:31Z)
• 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。