論文の概要: A Hybrid Random Forest and CNN Framework for Tile-Wise Oil-Water Classification in Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2502.00232v1
• Date: Sat, 01 Feb 2025 00:13:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:03:34.789713
• Title: A Hybrid Random Forest and CNN Framework for Tile-Wise Oil-Water Classification in Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像におけるTile-Wise油水分類のためのハイブリッドランダムフォレストとCNNフレームワーク
• Authors: Mehdi Nickzamir, Seyed Mohammad Sheikh Ahamdi Gandab,
• Abstract要約: ハイパースペクトル画像(HSI)における油-水分類のための新しいハイブリッドランダムフォレストと畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 空間的コンテキストを保存するという課題に対処するため、画像は小さな重複しないタイルに分割され、トレーニング、検証、テストの基礎となった。 Random Forestは、XGBoost、Attention-Based U-Net、HybridSNといった、ピクセル単位での分類において、優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A novel hybrid Random Forest and Convolutional Neural Network (CNN) framework is presented for oil-water classification in hyperspectral images (HSI). To address the challenge of preserving spatial context, the images were divided into smaller, non-overlapping tiles, which served as the basis for training, validation, and testing. Random Forest demonstrated strong performance in pixel-wise classification, outperforming models such as XGBoost, Attention-Based U-Net, and HybridSN. However, Random Forest loses spatial context, limiting its ability to fully exploit the spatial relationships in hyperspectral data. To improve performance, a CNN was trained on the probability maps generated by the Random Forest, leveraging the CNN's capacity to incorporate spatial context. The hybrid approach achieved 7.6% improvement in recall (to 0.85), 2.4% improvement in F1 score (to 0.84), and 0.54% improvement in AUC (to 0.99) compared to the baseline. These results highlight the effectiveness of combining probabilistic outputs with spatial feature learning for context-aware analysis of hyperspectral images.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)における油水分類のための新しいハイブリッドなランダムフォレストと畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 空間的コンテキストを保存するという課題に対処するため、画像は小さな重複しないタイルに分割され、トレーニング、検証、テストの基礎となった。 Random Forestは、XGBoost、Attention-Based U-Net、HybridSNといった、ピクセル単位での分類において、優れた性能を示した。 しかし、ランダムフォレストは空間的コンテキストを失い、ハイパースペクトルデータの空間的関係を完全に活用する能力が制限される。 性能を向上させるために、CNNはランダムフォレストによって生成された確率マップに基づいて訓練され、CNNの能力を利用して空間コンテキストを組み込む。 ハイブリッド方式はリコールの7.6%(0.85点)、F1スコアの2.4%(0.84点)、AUCの0.54%(0.99点)をベースラインと比較した。 これらの結果は,ハイパースペクトル画像の文脈認識解析における確率的出力と空間的特徴学習の併用の有効性を強調した。

関連論文リスト

• LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
  最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。 本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。 LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
  論文  参考訳（メタデータ） (2024-07-13T16:09:45Z)
• A Hybrid Spiking-Convolutional Neural Network Approach for Advancing Machine Learning Models [6.528272856589831]
  本稿では,新しいハイブリッド・スパイキング・畳み込みニューラルネットワーク(SC-NN)モデルを提案する。 我々のアプローチは、イベントベースの計算や時間処理などのSNNのユニークな機能と、CNNの強力な表現学習能力を利用する。 モデルは、マスクを使用して欠落したリージョンを生成するイメージインペイント用に特別に設計されたカスタムデータセットに基づいてトレーニングされる。
  論文  参考訳（メタデータ） (2024-07-11T20:50:33Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Attention Mechanism Meets with Hybrid Dense Network for Hyperspectral Image Classification [6.946336514955953]
  畳み込みニューラルネットワーク(CNN)は、実際より適している。 固定化されたカーネルサイズは、従来のCNNが柔軟でも、特徴学習にも適さないため、分類精度に影響を及ぼす。 提案手法は,3Dと2Dインセプションネットのコアアイデアとアテンション機構を組み合わせることで,ハイブリッドシナリオにおけるHSIC CNNの性能向上を図ることを目的としている。 AfNetは、各ブロックに異なるカーネルを持つ3つのアテンションフューズされた並列ハイブリッドサブネットをベースとして、最終的な地上トラスマップを強化するために高レベルな特徴を繰り返し利用する。
  論文  参考訳（メタデータ） (2022-01-04T06:30:24Z)
• RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
  本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。 実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。 その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-19T15:57:20Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)
• Single Image Dehazing Using Ranking Convolutional Neural Network [43.9523642309301]
  本稿では,単一画像復調のための新しいランクリング畳み込みニューラルネットワーク(Ranking-CNN)を提案する。 Ranking-CNNをよく設計された方法でトレーニングすることにより、巨大なヘイズ画像パッチから、強力なヘイズ関連機能を自動的に学習することができる。 提案手法は, 合成および実世界のベンチマーク画像において, 過去のデハージングアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-15T11:25:08Z)

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。