論文の概要: 3D Wavelet Convolutions with Extended Receptive Fields for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2504.10795v1
• Date: Tue, 15 Apr 2025 01:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:07.398329
• Title: 3D Wavelet Convolutions with Extended Receptive Fields for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のための知覚場を拡張した3次元ウェーブレット畳み込み
• Authors: Guandong Li, Mengxia Ye,
• Abstract要約: ディープニューラルネットワークは、ハイパースペクトル画像分類において多くの課題に直面している。 本稿ではウェーブレット変換と統合された改良型3D-DenseNetモデルWCNetを提案する。 実験結果から,IN,UP,KSCデータセット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）: 12.168520751389622
• License:
• Abstract: Deep neural networks face numerous challenges in hyperspectral image classification, including high-dimensional data, sparse ground object distributions, and spectral redundancy, which often lead to classification overfitting and limited generalization capability. To better adapt to ground object distributions while expanding receptive fields without introducing excessive parameters and skipping redundant information, this paper proposes WCNet, an improved 3D-DenseNet model integrated with wavelet transforms. We introduce wavelet transforms to effectively extend convolutional receptive fields and guide CNNs to better respond to low frequencies through cascading, termed wavelet convolution. Each convolution focuses on different frequency bands of the input signal with gradually increasing effective ranges. This process enables greater emphasis on low-frequency components while adding only a small number of trainable parameters. This dynamic approach allows the model to flexibly focus on critical spatial structures when processing different regions, rather than relying on fixed receptive fields of single static kernels. The Wavelet Conv module enhances model representation capability by expanding receptive fields through 3D wavelet transforms without increasing network depth or width. Experimental results demonstrate superior performance on the IN, UP, and KSC datasets, outperforming mainstream hyperspectral image classification methods.
• Abstract（参考訳）: ディープニューラルネットワークは、高次元データ、スパースグラウンドオブジェクトの分布、スペクトル冗長性などのハイパースペクトル画像分類において多くの課題に直面しており、しばしば分類過適合と限定的な一般化能力に繋がる。 本稿では,ウェーブレット変換と統合された改良型3D-DenseNetモデルであるWCNetを提案する。 ウェーブレット変換を導入して、畳み込み受容場を効果的に拡張し、CNNを誘導し、カスケーディング(cascading)と呼ばれるウェーブレット畳み込み(wavelet convolution)によって低周波数に対応する。 それぞれの畳み込みは、徐々に有効範囲が増加する入力信号の異なる周波数帯域に焦点を当てる。 このプロセスは、少数のトレーニング可能なパラメータのみを追加しながら、低周波成分をより強調することができる。 この動的アプローチにより、モデルは単一の静的カーネルの固定受容場に頼るのではなく、異なる領域を処理する際に、重要な空間構造に柔軟にフォーカスすることができる。 Wavelet Convモジュールは、ネットワークの深さや幅を増大させることなく、3Dウェーブレット変換を通じて受容場を拡張することで、モデル表現能力を向上させる。 実験結果から,IN,UP,KSCデータセットにおいて,主眼的ハイパースペクトル画像分類法よりも優れた性能を示した。

関連論文リスト

• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• Unveiling the Power of Wavelets: A Wavelet-based Kolmogorov-Arnold Network for Hyperspectral Image Classification [3.009351592961681]
  本稿では,ウェーブレットをベースとしたKolmogorov-Arnold Network(wav-kan)アーキテクチャを用いて,複雑な依存関係の効率的なモデリングを行う。 ウェーブレットベースのアクティベーションにより、Wav-KANはマルチスケールの空間およびスペクトルパターンを効果的にキャプチャできる。
  論文  参考訳（メタデータ） (2024-06-12T04:52:40Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• Deep Spectral Meshes: Multi-Frequency Facial Mesh Processing with Graph Neural Networks [1.170907599257096]
  メッシュ変形を低周波・高周波変形に分解する手法として,スペクトルメッシュを導入した。 提案フレームワーク上に3次元顔メッシュ合成のためのパラメトリックモデルを構築した。 このモデルでは、異なる周波数レベルを異なる、より適切な表現で表現することで、スペクトル分割をさらに活用する。
  論文  参考訳（メタデータ） (2024-02-15T23:17:08Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Spatial-Spectral Hyperspectral Classification based on Learnable 3D Group Convolution [18.644268589334217]
  本稿では、3D-DenseNetモデルの改良と軽量モデル設計に基づく学習可能なグループ畳み込みネットワーク(LGCNet)を提案する。 LGCNetモジュールは、入力チャネルと畳み込みカーネルグループのための動的学習手法を導入することにより、グループ畳み込みの欠点を改善する。 LGCNetは推論速度と精度の進歩を達成し、インドパインズ、パヴィア大学、KSCのデータセットで主流のハイパースペクトル画像分類法より優れている。
  論文  参考訳（メタデータ） (2023-07-15T05:47:12Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)

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。