論文の概要: Riemannian Complex Hermit Positive Definite Convolution Network for Polarimetric SAR Image Classification

• arxiv url: http://arxiv.org/abs/2502.08137v1
• Date: Wed, 12 Feb 2025 05:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:48:15.997190
• Title: Riemannian Complex Hermit Positive Definite Convolution Network for Polarimetric SAR Image Classification
• Title（参考訳）: 偏光SAR画像分類のためのリーマン複素ヘルミット正定値畳み込みネットワーク
• Authors: Junfei Shi, Mengmeng Nie, Yuke Li, Haiyan Jin, Weisi Lin,
• Abstract要約: ディープラーニングは、PolSAR画像のユークリッド空間における意味的特徴を効果的に学習することができる。 彼らは複雑な共分散行列を、ネットワーク入力として特徴ベクトルまたは複素値ベクトルに包含する必要がある。 我々は複雑なHPD展開ネットワークとCV-3DCNN拡張ネットワークを提案し、複雑なHPD行列を直接学習する。
• 参考スコア（独自算出の注目度）: 42.353289630062555
• License:
• Abstract: Deep learning can learn high-level semantic features in Euclidean space effectively for PolSAR images, while they need to covert the complex covariance matrix into a feature vector or complex-valued vector as the network input. However, the complex covariance matrices are essentially a complex Hermit positive definite (HPD) matrix endowed in Riemannian manifold rather than Euclidean space. The matrix's real and imagery parts are with the same significance, as the imagery part represents the phase information. The matrix vectorization will destroy the geometric structure and manifold characteristics of complex covariance matrices. To learn complex HPD matrices directly, we propose a Riemannian complex HPD convolution network(HPD\_CNN) for PolSAR images. This method consists of a complex HPD unfolding network(HPDnet) and a CV-3DCNN enhanced network. The proposed complex HPDnet defines the HPD mapping, rectifying and the logEig layers to learn geometric features of complex matrices. In addition, a fast eigenvalue decomposition method is designed to reduce computation burden. Finally, a Riemannian-to-Euclidean enhanced network is defined to enhance contextual information for classification. Experimental results on two real PolSSAR datasets demonstrate the proposed method can achieve superior performance than the state-of-the-art methods especially in heterogeneous regions.
• Abstract（参考訳）: 深層学習は、ネットワーク入力として、複雑な共分散行列を特徴ベクトルまたは複素数値ベクトルにカバーする必要がある一方で、PolSAR画像に対して、ユークリッド空間の高レベルな意味的特徴を効果的に学習することができる。 しかし、複素共分散行列は本質的にはユークリッド空間ではなくリーマン多様体で与えられる複素エルミット正定値行列(HPD)である。 マトリックスのリアル部とイメージ部は、画像部が位相情報を表すため、同じ意味を持つ。 行列ベクトル化は複素共分散行列の幾何学構造と多様体特性を破壊する。 複素HPD行列を直接学習するために,PolSAR画像に対するリーマン複素HPD畳み込みネットワーク(HPD\_CNN)を提案する。 複雑なHPD展開ネットワーク(HPDnet)とCV-3DCNN拡張ネットワークから構成される。 提案した複素HPDnetは、複素行列の幾何学的特徴を学ぶためにHPDマッピング、修正およびlogEig層を定義する。 また,計算負荷を低減するために高速固有値分解法を設計した。 最後に、分類のための文脈情報を強化するために、リーマン・ユークリッド拡張ネットワークを定義する。 2つの実PosSARデータセットによる実験結果から,提案手法は異種領域における最先端手法よりも優れた性能が得られることが示された。

関連論文リスト

• SPDFusion: An Infrared and Visible Image Fusion Network Based on a Non-Euclidean Representation of Riemannian Manifolds [35.03742076163911]
  マルチモーダル画像融合のための新しいSPD(対称正定値)多様体学習フレームワークを提案する。 我々のフレームワークは現在の最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-16T03:09:49Z)
• Fitting Multilevel Factor Models [41.38783926370621]
  我々は,多段階因子モデルに適した期待最大化アルゴリズムの,新しい高速実装を開発する。 可逆PSD MLR行列の逆もまた、因子の間隔が同じMLR行列であることを示す。 線形時間と空間複素量を持つ拡張行列のコレスキー分解を計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-18T15:39:12Z)
• Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
  グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。 本稿では、リーマン幾何学の観点から行列対数とパワーの包括的かつ統一的な理解を提供する。
  論文  参考訳（メタデータ） (2024-07-15T07:11:44Z)
• Riemannian Complex Matrix Convolution Network for PolSAR Image Classification [6.958028708925819]
  既存のディープラーニング手法は、共分散行列を特徴ベクトルまたは複素値ベクトルに入力として変換することで、PolSARデータを学習する。 複素行列の幾何学的構造を学習するために、PolSAR画像分類のためのリーマン複素行列畳み込みネットワークを提案する。 実験は、異なるバンドとセンサーを持つ実際のPolSARデータの3つのセットで実施される。
  論文  参考訳（メタデータ） (2023-12-06T09:33:33Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• QR and LQ Decomposition Matrix Backpropagation Algorithms for Square, Wide, and Deep -- Real or Complex -- Matrices and Their Software Implementation [0.0]
  この記事では、正方形(m = n)、幅(m n)、深さ(m > n)のいずれかの行列のQR分解に対する行列バックプロパゲーションアルゴリズムを、階数$k = min(m, n)$で提示する。 我々は, ピボット(フルランク)QR分解と深部入力行列のLQ分解のための新しい行列バックプロパゲーション結果を得た。
  論文  参考訳（メタデータ） (2020-09-19T21:03:37Z)
• Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
  高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。 ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。 本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:18:37Z)

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。