論文の概要: A General Adaptive Dual-level Weighting Mechanism for Remote Sensing Pansharpening

• arxiv url: http://arxiv.org/abs/2503.13214v2
• Date: Thu, 20 Mar 2025 09:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 12:15:02.621037
• Title: A General Adaptive Dual-level Weighting Mechanism for Remote Sensing Pansharpening
• Title（参考訳）: リモートセンシングパンの汎用的デュアルレベル重み付け機構
• Authors: Jie Huang, Haorui Chen, Jiaxuan Ren, Siran Peng, Liangjian Deng,
• Abstract要約: リモートセンシングの深層学習法は 急速に進歩しています 多くの既存手法は特徴の不均一性と冗長性を完全に活用するのに苦労している。 これらの課題に対処するために、一般適応二重レベル重み付け機構(ADWM)を導入する。
• 参考スコア（独自算出の注目度）: 11.791358860917189
• License:
• Abstract: Currently, deep learning-based methods for remote sensing pansharpening have advanced rapidly. However, many existing methods struggle to fully leverage feature heterogeneity and redundancy, thereby limiting their effectiveness. We use the covariance matrix to model the feature heterogeneity and redundancy and propose Correlation-Aware Covariance Weighting (CACW) to adjust them. CACW captures these correlations through the covariance matrix, which is then processed by a nonlinear function to generate weights for adjustment. Building upon CACW, we introduce a general adaptive dual-level weighting mechanism (ADWM) to address these challenges from two key perspectives, enhancing a wide range of existing deep-learning methods. First, Intra-Feature Weighting (IFW) evaluates correlations among channels within each feature to reduce redundancy and enhance unique information. Second, Cross-Feature Weighting (CFW) adjusts contributions across layers based on inter-layer correlations, refining the final output. Extensive experiments demonstrate the superior performance of ADWM compared to recent state-of-the-art (SOTA) methods. Furthermore, we validate the effectiveness of our approach through generality experiments, redundancy visualization, comparison experiments, key variables and complexity analysis, and ablation studies. Our code is available at https://github.com/Jie-1203/ADWM.
• Abstract（参考訳）: 現在,深層学習に基づくリモートセンシング法が急速に進歩している。 しかし、多くの既存手法は特徴の不均一性と冗長性を完全に活用することに苦労し、その結果、その有効性は制限される。 共分散行列を用いて特徴の不均一性と冗長性をモデル化し,それらを調整するために相関認識共分散重み付け(CACW)を提案する。 CACWはこれらの相関関係を共分散行列(英語版)を通して捉え、その相関関係は非線形関数によって処理され、調整のための重みを生成する。 CACWを基盤として、これらの課題に2つの重要な視点から対処する汎用的適応二重レベル重み付け機構(ADWM)を導入し、既存のディープラーニング手法を広範囲に拡張する。 第一に、機能内重み付け(IFW)は、各機能内のチャネル間の相関を評価し、冗長性を低減し、ユニークな情報を強化する。 第2に、CFW(Cross-Feature Weighting)は層間相関に基づいて層間のコントリビューションを調整し、最終的な出力を精査する。 近年のSOTA法と比較してADWMの優れた性能を示す実験が盛んである。 さらに, 一般性実験, 冗長性可視化, 比較実験, 鍵変数と複雑性解析, アブレーション研究を通じて, 提案手法の有効性を検証した。 私たちのコードはhttps://github.com/Jie-1203/ADWM.comで公開されています。

関連論文リスト

• Revitalizing Reconstruction Models for Multi-class Anomaly Detection via Class-Aware Contrastive Learning [19.114941437668705]
  クラス認識型コントラスト学習(CL)を取り入れたプラグアンドプレイ修正を提案する。 4つのデータセットにまたがる実験により、我々のアプローチの有効性が検証され、高度な手法と比較して大幅に改善され、性能が向上した。
  論文  参考訳（メタデータ） (2024-12-06T04:31:09Z)
• CGLearn: Consistent Gradient-Based Learning for Out-of-Distribution Generalization [0.7366405857677226]
  本研究では,様々な環境における勾配の一致に依存する,単純だが強力なアプローチCGLearnを提案する。 提案手法は, 線形および非線形の条件下での最先端手法と比較して, 優れた性能を示す。 合成データセットと実世界のデータセットの総合的な実験は、様々なシナリオにおけるその有効性を強調している。
  論文  参考訳（メタデータ） (2024-11-09T02:36:39Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Focus the Discrepancy: Intra- and Inter-Correlation Learning for Image Anomaly Detection [13.801572236048601]
  FOD(FOcus-the-Discrepancy)は、異常のパッチワイド、イントラ・イントラ・インター・ディレクレンシーを同時に検出することができる。 本稿では,新たなADフレームワークであるFOcus-the-Discrepancy(FOD)を提案する。
  論文  参考訳（メタデータ） (2023-08-06T01:30:26Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• Orthogonal SVD Covariance Conditioning and Latent Disentanglement [65.67315418971688]
  SVDメタ層をニューラルネットワークに挿入すると、共分散が不調和になる。 我々は最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-12-11T20:31:31Z)
• Deep Combinatorial Aggregation [58.78692706974121]
  ディープアンサンブル(Deep ensemble)は、不確実性を考慮した学習タスクの最先端結果を実現する、シンプルで効果的な方法である。 本研究では,ディープアグリゲーション(DCA)と呼ばれるディープアンサンブルの一般化について検討する。 DCAはネットワークコンポーネントの複数のインスタンスを生成し、それらの組み合わせを集約して、多様化したモデルの提案と予測を生成する。
  論文  参考訳（メタデータ） (2022-10-12T17:35:03Z)
• Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
  最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-07-05T15:39:29Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)

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。