論文の概要: Band Prompting Aided SAR and Multi-Spectral Data Fusion Framework for Local Climate Zone Classification

• arxiv url: http://arxiv.org/abs/2412.18235v1
• Date: Tue, 24 Dec 2024 07:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:54:59.868070
• Title: Band Prompting Aided SAR and Multi-Spectral Data Fusion Framework for Local Climate Zone Classification
• Title（参考訳）: 局所気候帯分類のためのSARとマルチスペクトルデータ融合フレームワーク
• Authors: Haiyan Lan, Shujun Li, Mingjie Xie, Xuanjia Zhao, Hongning Liu, Pengming Feng, Dongli Xu, Guangjun He, Jian Guan,
• Abstract要約: 地域気候帯(LCZ)分類は、都市開発と地域気候の間の複雑な相互作用を理解する上で非常に重要である。 近年,LCZ分類性能を向上させるため,合成開口レーダ(SAR)とマルチスペクトルデータの統合に注目が集まっている。 本稿では、LCZ分類、すなわちBP-LCZに対して、補足データ融合フレームワークを促進させる新しいバンドを提案する。 実験結果は,提案したデータ融合フレームワークの有効性と優位性を示す。
• 参考スコア（独自算出の注目度）: 20.71392764471532
• License:
• Abstract: Local climate zone (LCZ) classification is of great value for understanding the complex interactions between urban development and local climate. Recent studies have increasingly focused on the fusion of synthetic aperture radar (SAR) and multi-spectral data to improve LCZ classification performance. However, it remains challenging due to the distinct physical properties of these two types of data and the absence of effective fusion guidance. In this paper, a novel band prompting aided data fusion framework is proposed for LCZ classification, namely BP-LCZ, which utilizes textual prompts associated with band groups to guide the model in learning the physical attributes of different bands and semantics of various categories inherent in SAR and multi-spectral data to augment the fused feature, thus enhancing LCZ classification performance. Specifically, a band group prompting (BGP) strategy is introduced to align the visual representation effectively at the level of band groups, which also facilitates a more adequate extraction of semantic information of different bands with textual information. In addition, a multivariate supervised matrix (MSM) based training strategy is proposed to alleviate the problem of positive and negative sample confusion by completing the supervised information. The experimental results demonstrate the effectiveness and superiority of the proposed data fusion framework.
• Abstract（参考訳）: 地域気候帯(LCZ)分類は、都市開発と地域気候の間の複雑な相互作用を理解する上で非常に重要である。 近年,LCZ分類性能を向上させるため,合成開口レーダ(SAR)とマルチスペクトルデータの統合に注目が集まっている。 しかし、これらの2種類のデータの異なる物理的性質と効果的な融合誘導がないため、依然として困難である。 本稿では,SARとマルチスペクトルデータに固有の様々なカテゴリの物理的特性と意味を学習し,LCZ分類性能を向上させるために,バンド群に関連付けられたテキストプロンプトを用いて,LCZ分類のためのヘルプデータ融合フレームワーク,BP-LCZを提案する。 具体的には、バンドグループプロンプト(BGP)戦略を導入し、バンドグループのレベルで視覚表現を効果的に整列させ、異なるバンドのセマンティック情報をテキスト情報でより適切に抽出する。 さらに,多変量型教師付き行列(MSM)に基づくトレーニング戦略を提案し,教師付き情報を完成させることで,正・負のサンプル混同の問題を軽減する。 実験結果は,提案したデータ融合フレームワークの有効性と優位性を示す。

関連論文リスト

• LiGAR: LiDAR-Guided Hierarchical Transformer for Multi-Modal Group Activity Recognition [9.103869144049014]
  LiGARは、多モードグループアクティビティ認識のためのLIDAR誘導階層変換器である。 本フレームワークには,マルチスケールLIDARトランス,クロスモーダルガイドアテンション,アダプティブフュージョンモジュールが組み込まれている。 LiGARの階層アーキテクチャは、個々のアクションからシーンレベルのダイナミクスまで、さまざまな粒度のグループアクティビティをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-28T15:11:49Z)
• IGroupSS-Mamba: Interval Group Spatial-Spectral Mamba for Hyperspectral Image Classification [13.534632557010005]
  本稿では,HSI分類のための軽量なインターバル群空間スペクトルマンバフレームワーク(IGroupSS-Mamba)について検討する。 IGroupSS-Mambaは、グループ化と階層化により、多方向及びマルチスケールの空間スペクトル情報抽出を可能にする。 実験により、IGroupSS-Mambaは最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-07T14:55:50Z)
• A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
  ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。 まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。 次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
  論文  参考訳（メタデータ） (2024-08-05T23:20:32Z)
• Unsupervised Band Selection Using Fused HSI and LiDAR Attention Integrating With Autoencoder [16.742768644585684]
  ハイパースペクトルイメージング(HSI)における帯域選択は,データ処理の最適化と解析精度の向上に重要である。 従来のアプローチは、個々のバンド内のスペクトル特性と画素特性を独立して分析することに集中してきた。 本稿では、アテンション機構と、再構成に基づくバンド選択のためのオートエンコーダを組み込んだ、新しい教師なしバンド選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:47:28Z)
• LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification [16.742768644585684]
  本稿では,LiDARデータで導かれるHSI帯域の選択のためのクロスアテンション機構を提案する。 この方法は、選択したHSIバンドが冗長性と計算要求を大幅に低減することを保証する。 HSIとLiDARの3つのデータセット(ヒューストン2013、トレント、MUUFL)で実験が行われた。
  論文  参考訳（メタデータ） (2024-04-05T04:11:31Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
  我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。 まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。 この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
  論文  参考訳（メタデータ） (2023-10-29T15:26:37Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• 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)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。