論文の概要: Quantum Information-Empowered Graph Neural Network for Hyperspectral Change Detection
- arxiv url: http://arxiv.org/abs/2411.07608v1
- Date: Tue, 12 Nov 2024 07:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:20:33.371014
- Title: Quantum Information-Empowered Graph Neural Network for Hyperspectral Change Detection
- Title（参考訳）: ハイパースペクトル変化検出のための量子情報を利用したグラフニューラルネットワーク
- Authors: Chia-Hsiang Lin, Tzu-Hsuan Lin, Jocelyn Chanussot,
- Abstract要約: この研究は、超スペクトル変化検出(HCD)に量子ディープネットワーク(QUEEN)を導入している。
QUEENは、変更があるかどうかを決定するために、根本的に新しい情報を提供する。
提案したQUEEN搭載GNN(すなわちQUEEN-G)のHCD性能は、実超スペクトルデータセットで実験的に検証される。
- 参考スコア（独自算出の注目度）: 19.31936427826067
- License:
- Abstract: Change detection (CD) is a critical remote sensing technique for identifying changes in the Earth's surface over time. The outstanding substance identifiability of hyperspectral images (HSIs) has significantly enhanced the detection accuracy, making hyperspectral change detection (HCD) an essential technology. The detection accuracy can be further upgraded by leveraging the graph structure of HSIs, motivating us to adopt the graph neural networks (GNNs) in solving HCD. For the first time, this work introduces quantum deep network (QUEEN) into HCD. Unlike GNN and CNN, both extracting the affine-computing features, QUEEN provides fundamentally different unitary-computing features. We demonstrate that through the unitary feature extraction procedure, QUEEN provides radically new information for deciding whether there is a change or not. Hierarchically, a graph feature learning (GFL) module exploits the graph structure of the bitemporal HSIs at the superpixel level, while a quantum feature learning (QFL) module learns the quantum features at the pixel level, as a complementary to GFL by preserving pixel-level detailed spatial information not retained in the superpixels. In the final classification stage, a quantum classifier is designed to cooperate with a traditional fully connected classifier. The superior HCD performance of the proposed QUEEN-empowered GNN (i.e., QUEEN-G) will be experimentally demonstrated on real hyperspectral datasets.
- Abstract（参考訳）: 変化検出(CD)は、地球表面の変化を時間とともに識別するための重要なリモートセンシング技術である。
ハイパースペクトル画像(HSI)の優れた物質識別性は,検出精度を大幅に向上させ,ハイパースペクトル変化検出(HCD)が重要な技術となった。
検出精度は、HSIのグラフ構造を活用することでさらに向上することができ、HCDの解決にグラフニューラルネットワーク(GNN)を採用する動機となる。
この研究は初めて、量子ディープネットワーク(QUEEN)をHCDに導入した。
GNNやCNNと異なり、どちらもアフィン計算機能を抽出しているが、QUEENは基本的に異なるユニタリ計算機能を提供している。
本研究では,一元的特徴抽出法により,変化の有無を判定するための根本的に新しい情報を提供することを示した。
階層的に、グラフ特徴学習(GFL)モジュールは、バイテンポラルなHSIのグラフ構造をスーパーピクセルレベルで利用し、量子特徴学習(QFL)モジュールは、スーパーピクセルに保持されていないピクセルレベルの詳細な空間情報を保存することにより、GFLと相補的なものとして、量子特徴学習(QFL)モジュールは、画素レベルで量子特徴を学習する。
最終分類段階では、量子分類器は従来の完全連結分類器と協調するように設計されている。
提案したQUEEN搭載GNN(すなわちQUEEN-G)のHCD性能は、実超スペクトルデータセットで実験的に検証される。
関連論文リスト
- SpectralKAN: Kolmogorov-Arnold Network for Hyperspectral Images Change Detection [23.75924656112022]
ハイパースペクトル画像(HSI)から特徴を正確に抽出する深層学習法
これらのアルゴリズムは、HSIs Change Detection (HSIs-CD) において非常によく機能する。
我々は、HSIs-CD(SpectralKAN)のためのスペクトルKolmogorov-Arnoldネットワークを提案する。
SpectralKANは、パラメータ、FLOP、GPUメモリ、トレーニングとテスト時間が少なくながら、高いHSIs-CD精度を維持している。
論文 参考訳（メタデータ） (2024-07-01T04:09:24Z) - Hybrid Quantum-Classical Neural Network for LAB Color Space Image Classification [1.565361244756411]
量子畳み込みニューラルネットワーク(QCNN)は、古典的畳み込みニューラルネットワークと構造的に類似している。
異なる色空間の画像の分類精度は,2つのチャンネルが3つ目よりも常に高い値を示すことを示す。
論文 参考訳（メタデータ） (2024-06-04T11:46:56Z) - Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
論文 参考訳（メタデータ） (2023-11-13T09:46:05Z) - Hybrid quantum-classical graph neural networks for tumor classification
in digital pathology [2.682579230647868]
我々は、GNNと変分量子(VQC)を組み合わせたハイブリッド量子グラフニューラルネットワーク(GNN)を作成し、乳癌のサブタイピングにおけるバイナリサブタスクを分類する。
その結果、ハイブリッド量子ニューラルネットワーク(QNN)は、重み付き精度、リコール、F1スコアの観点から、最先端の古典的グラフニューラルネットワーク(GNN)と同等であることが示された。
論文 参考訳（メタデータ） (2023-10-17T15:40:26Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - HyperNet: Self-Supervised Hyperspectral Spatial-Spectral Feature
Understanding Network for Hyperspectral Change Detection [19.774857440703038]
HyperNetはピクセルレベルの自己監督型空間スペクトル理解ネットワークである。
有効高スペクトル変化検出のための画素ワイド特徴表現を実現する。
提案したHyperNetの有効性と一般化をテストするために,6つのハイパースペクトルデータセットが採用された。
論文 参考訳（メタデータ） (2022-07-20T03:26:03Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-06T23:45:58Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z) - Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。
本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文 参考訳（メタデータ） (2020-12-28T19:00:03Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z)
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。