論文の概要: Expert Kernel Generation Network Driven by Contextual Mapping for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2504.13045v1
• Date: Thu, 17 Apr 2025 16:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:36:42.057554
• Title: Expert Kernel Generation Network Driven by Contextual Mapping 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コンテキストマッピングによるエキスパートカーネル生成ネットワーク
• Authors: Guandong Li, Mengxia Ye,
• Abstract要約: ディープニューラルネットワークは、高次元データ、地上オブジェクトのスパース分布、スペクトル冗長性など、ハイパースペクトル画像分類においていくつかの課題に直面している。 本稿では,コンテキスト認識型マッピングネットワークと動的カーネル生成モジュールで構成される改良型3D-DenseNetモデルに基づくEKGNetを提案する。 提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 12.168520751389622
• License:
• Abstract: Deep neural networks face several challenges in hyperspectral image classification, including high-dimensional data, sparse distribution of ground objects, and spectral redundancy, which often lead to classification overfitting and limited generalization capability. To more efficiently adapt to ground object distributions while extracting image features without introducing excessive parameters and skipping redundant information, this paper proposes EKGNet based on an improved 3D-DenseNet model, consisting of a context-aware mapping network and a dynamic kernel generation module. The context-aware mapping module translates global contextual information of hyperspectral inputs into instructions for combining base convolutional kernels, while the dynamic kernels are composed of K groups of base convolutions, analogous to K different types of experts specializing in fundamental patterns across various dimensions. The mapping module and dynamic kernel generation mechanism form a tightly coupled system - the former generates meaningful combination weights based on inputs, while the latter constructs an adaptive expert convolution system using these weights. This dynamic approach enables the model to focus more flexibly on key spatial structures when processing different regions, rather than relying on the fixed receptive field of a single static convolutional kernel. EKGNet enhances model representation capability through a 3D dynamic expert convolution system without increasing network depth or width. The proposed method demonstrates superior performance on IN, UP, and KSC datasets, outperforming mainstream hyperspectral image classification approaches.
• 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、地上オブジェクトのスパース分布、スペクトル冗長性など、ハイパースペクトル画像分類におけるいくつか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。 過剰なパラメータを導入せず、余分な情報をスキップすることなく、画像の特徴を抽出しながら、より効率的に地上オブジェクトの分布に適応するために、コンテキスト対応マッピングネットワークと動的カーネル生成モジュールからなる改良された3D-DenseNetモデルに基づくEKGNetを提案する。 コンテキスト対応マッピングモジュールは、ハイパースペクトル入力のグローバルなコンテキスト情報をベース畳み込みカーネルを結合するための命令に変換する一方、動的カーネルは基本畳み込みのKグループで構成される。 マッピングモジュールと動的カーネル生成機構は密結合システムを形成し、前者は入力に基づいて有意義な組み合わせ重みを生成し、後者はこれらの重みを使って適応的なエキスパート畳み込みシステムを構築する。 この動的アプローチにより、モデルは単一の静的畳み込み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集中することができる。 EKGNetは、ネットワークの深さや幅を増大させることなく、3D動的専門家畳み込みシステムを通じてモデル表現能力を向上させる。 提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。

関連論文リスト

• Handling Heterophily in Recommender Systems with Wavelet Hypergraph Diffusion [8.98789209944451]
  本稿では,FWHDNN(Fusion-based Wavelet Hypergraph Diffusion Neural Networks)を紹介する。 このモデルには,(1)異種ハイパーグラフ拡散を利用したクロスディファレンス関係エンコーダ,(2)ウェーブレット変換に基づくハイパーグラフニューラルネットワーク層を用いたマルチレベルクラスタワイドエンコーダ,(3)中間・後期融合戦略を通じて構造情報とテキスト情報を結合する統合マルチモーダル融合機構の3つの重要な構成要素が組み込まれている。
  論文  参考訳（メタデータ） (2025-01-24T11:08:29Z)
• 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)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• 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)
• DGCNet: An Efficient 3D-Densenet based on Dynamic Group Convolution for Hyperspectral Remote Sensing Image Classification [22.025733502296035]
  改良された3D-Densenetモデルに基づく軽量モデルを導入し,DGCNetを設計する。 複数のグループは、入力画像の異なる視覚的および意味的な特徴をキャプチャし、畳み込みニューラルネットワーク(CNN)がリッチな特徴を学習できるようにする。 推論速度と精度が向上し、IN、Pavia、KSCデータセット上での優れたパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2023-07-13T10:19:48Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• 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)
• Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
  本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。 本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。 得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-10-17T22:40:50Z)
• Equivariant Graph Hierarchy-Based Neural Networks [53.60804845045526]
  Equivariant Hierarchy-based Graph Networks (EGHNs)を提案する。 EGHNは、EMMP(Generalized Equivariant Matrix Message Passing)、E-Pool、E-UpPoolの3つの主要なコンポーネントから構成される。 EGHNのマルチオブジェクト・ダイナミクス・シミュレーション,モーションキャプチャ,タンパク質・ダイナミックス・モデリングなど,いくつかの応用における有効性について検討した。
  論文  参考訳（メタデータ） (2022-02-22T03:11:47Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)

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。