論文の概要: A Novel Riemannian Sparse Representation Learning Network for Polarimetric SAR Image Classification

• arxiv url: http://arxiv.org/abs/2502.15302v1
• Date: Fri, 21 Feb 2025 08:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:06:51.898447
• Title: A Novel Riemannian Sparse Representation Learning Network for Polarimetric SAR Image Classification
• Title（参考訳）: ポラリメトリックSAR画像分類のための新しいリーマンスパース表現学習ネットワーク
• Authors: Junfei Shi, Mengmeng Nie, Weisi Lin, Haiyan Jin, Junhuai Li, Rui Wang,
• Abstract要約: 提案するネットワークはSparse Representation (SR) 誘導深層学習モデルであり,共分散行列を直接ネットワーク入力として利用することができる。 実際の3つのPolSARデータセットの実験により,提案手法は最先端技術を超え,正確なエッジの詳細と適切な領域の均一性を保証している。
• 参考スコア（独自算出の注目度）: 38.99026406524827
• License:
• Abstract: Deep learning is an effective end-to-end method for Polarimetric Synthetic Aperture Radar(PolSAR) image classification, but it lacks the guidance of related mathematical principle and is essentially a black-box model. In addition, existing deep models learn features in Euclidean space, where PolSAR complex matrix is commonly converted into a complex-valued vector as the network input, distorting matrix structure and channel relationship. However, the complex covariance matrix is Hermitian positive definite (HPD), and resides on a Riemannian manifold instead of a Euclidean one. Existing methods cannot measure the geometric distance of HPD matrices and easily cause some misclassifications due to inappropriate Euclidean measures. To address these issues, we propose a novel Riemannian Sparse Representation Learning Network (SRSR CNN) for PolSAR images. Firstly, a superpixel-based Riemannian Sparse Representation (SRSR) model is designed to learn the sparse features with Riemannian metric. Then, the optimization procedure of the SRSR model is inferred and further unfolded into an SRSRnet, which can automatically learn the sparse coefficients and dictionary atoms. Furthermore, to learn contextual high-level features, a CNN-enhanced module is added to improve classification performance. The proposed network is a Sparse Representation (SR) guided deep learning model, which can directly utilize the covariance matrix as the network input, and utilize Riemannian metric to learn geometric structure and sparse features of complex matrices in Riemannian space. Experiments on three real PolSAR datasets demonstrate that the proposed method surpasses state-of-the-art techniques in ensuring accurate edge details and correct region homogeneity for classification.
• Abstract（参考訳）: ディープラーニングは、ポラリメトリック合成開口レーダ(PolSAR)画像分類の効果的なエンドツーエンド手法であるが、関連する数学的原理のガイダンスが欠如しており、本質的にブラックボックスモデルである。 さらに、既存のディープモデルはユークリッド空間における特徴を学習し、PolSAR複素行列は一般にネットワーク入力、歪み行列構造、チャネル関係として複素値ベクトルに変換される。 しかし、複素共分散行列はエルミート正定値(HPD)であり、ユークリッド多様体ではなくリーマン多様体上に存在する。 既存の手法では、HPD行列の幾何学的距離を測ることはできず、ユークリッド測度が不適切なため、容易にいくつかの誤分類を生じさせる。 これらの問題に対処するために,PolSAR画像のための新しいリーマンスパース表現学習ネットワーク(SRSR CNN)を提案する。 第一に、スーパーピクセルベースのリーマンスパース表現(SRSR)モデルはリーマン計量を用いてスパース特徴を学習するために設計されている。 そして、SRSRモデルの最適化手順を推論し、さらにSRSRnetに展開し、スパース係数と辞書原子を自動的に学習する。 さらに、文脈的高レベルな特徴を学習するために、分類性能を改善するためにCNN拡張モジュールが追加される。 提案したネットワークはスパース表現(SR)誘導深層学習モデルであり,共分散行列をネットワーク入力として直接利用し,リーマン計量を用いて複素行列の幾何学的構造とスパース特徴を学習することができる。 実際の3つのPolSARデータセットの実験により,提案手法は最先端技術を超え,正確なエッジの詳細と適切な領域の均一性を保証している。

関連論文リスト

• Riemannian Complex Hermit Positive Definite Convolution Network for Polarimetric SAR Image Classification [42.353289630062555]
  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。
  論文  参考訳（メタデータ） (2025-02-12T05:41:25Z)
• 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)
• RMLR: Extending Multinomial Logistic Regression into General Geometries [64.16104856124029]
  我々のフレームワークは、最小限の幾何学的性質しか必要とせず、広い適用性を示す。 SPD MLRの5つのファミリーを5種類のパワー変形測定値に基づいて開発する。 回転行列上では、人気のある双不変計量に基づいてリー MLR を提案する。
  論文  参考訳（メタデータ） (2024-09-28T18:38:21Z)
• 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)
• Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
  広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。 実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-26T18:31:52Z)
• Classification of BCI-EEG based on augmented covariance matrix [0.0]
  本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。 私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
  論文  参考訳（メタデータ） (2023-02-09T09:04:25Z)
• Riemannian Nearest-Regularized Subspace Classification for Polarimetric SAR images [0.0]
  提案手法は,特徴量が少なくても最先端のアルゴリズムより優れている。 新しいチホノフ正則化項は、同じクラス内の差を減らすように設計されている。
  論文  参考訳（メタデータ） (2022-01-02T11:21:59Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)

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。