論文の概要: Transforming hyperspectral images into chemical maps: A new deep learning based approach to hyperspectral image processing

• arxiv url: http://arxiv.org/abs/2504.14131v1
• Date: Sat, 19 Apr 2025 01:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 04:53:08.263222
• Title: Transforming hyperspectral images into chemical maps: A new deep learning based approach to hyperspectral image processing
• Title（参考訳）: ハイパースペクトル画像から化学地図への変換:ハイパースペクトル画像処理への新しい深層学習アプローチ
• Authors: Ole-Christian Galbo Engstrøm, Michela Albano-Gaglio, Erik Schou Dreier, Yamine Bouzembrak, Maria Font-i-Furnols, Puneet Mishra, Kim Steenstrup Pedersen,
• Abstract要約: 本研究では、U-Netの修正版とカスタムロス関数を用いて、ハイパースペクトル画像から化学マップを直接取得するエンド・ツー・エンドのディープラーニング手法を提案する。 U-Netと従来のPSS回帰を豚腹サンプルの実際のデータセットと関連する平均脂肪基準値と比較した。 同時にU-Netは、分散の99.91%が空間的に相関している詳細な化学地図を生成する。
• 参考スコア（独自算出の注目度）: 0.7329200485567827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current approaches to chemical map generation from hyperspectral images are based on models such as partial least squares (PLS) regression, generating pixel-wise predictions that do not consider spatial context and suffer from a high degree of noise. This study proposes an end-to-end deep learning approach using a modified version of U-Net and a custom loss function to directly obtain chemical maps from hyperspectral images, skipping all intermediate steps required for traditional pixel-wise analysis. We compare the U-Net with the traditional PLS regression on a real dataset of pork belly samples with associated mean fat reference values. The U-Net obtains a test set root mean squared error of between 9% and 13% lower than that of PLS regression on the task of mean fat prediction. At the same time, U-Net generates fine detail chemical maps where 99.91% of the variance is spatially correlated. Conversely, only 2.53% of the variance in the PLS-generated chemical maps is spatially correlated, indicating that each pixel-wise prediction is largely independent of neighboring pixels. Additionally, while the PLS-generated chemical maps contain predictions far beyond the physically possible range of 0-100%, U-Net learns to stay inside this range. Thus, the findings of this study indicate that U-Net is superior to PLS for chemical map generation.
• Abstract（参考訳）: ハイパースペクトル画像からの化学マップ生成への現在のアプローチは、部分最小二乗回帰(PLS)のようなモデルに基づいており、空間的文脈を考慮せず、高いノイズに悩まされる画素ワイズ予測を生成する。 本研究では、U-Netの修正版とカスタムロス関数を用いて、ハイパースペクトル画像から化学マップを直接取得し、従来のピクセルワイズ分析に必要な中間ステップをすべてスキップするエンド・ツー・エンドのディープラーニング手法を提案する。 U-Netと従来のPSS回帰を豚腹サンプルの実際のデータセットと関連する平均脂肪基準値と比較した。 U-Netは、平均脂肪予測タスクにおいて、PSS回帰よりも9%から13%低いテストセット平均二乗誤差を得る。 同時にU-Netは、分散の99.91%が空間的に相関している詳細な化学地図を生成する。 逆に、PSS生成した化学マップのばらつきのわずか2.53%は空間的に相関しており、各ピクセルが近傍のピクセルに大きく依存していることが示されている。 さらに、PLSが生成する化学マップは、物理的に可能な範囲が0-100%を超える予測を含むが、U-Netはこの範囲内に留まることを学ぶ。 そこで本研究では, 化学マップ生成において, U-Netの方がPLSより優れていることを示す。

関連論文リスト

• Uncertainty Quantification via Neural Posterior Principal Components [26.26693707762823]
  不確実性定量化は、画像復元モデルの安全クリティカルドメインへの展開に不可欠である。 本稿では,入力画像の後方分布のPCをニューラルネットワークの単一前方通過で予測する手法を提案する。 提案手法は, インスタンス適応型不確実性方向を確実に伝達し, 後部サンプリングに匹敵する不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2023-09-27T09:51:29Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• I2L-MeshNet: Image-to-Lixel Prediction Network for Accurate 3D Human Pose and Mesh Estimation from a Single RGB Image [79.040930290399]
  I2L-MeshNetを提案する。 提案したI2L-MeshNetは、パラメータを直接回帰するのではなく、各メッシュ座標の1Dヒートマップ上のリセル当たりの確率を予測する。 我々のリセルベースの1Dヒートマップは入力画像の空間的関係を保存し、予測の不確かさをモデル化する。
  論文  参考訳（メタデータ） (2020-08-09T12:13:31Z)
• JGR-P2O: Joint Graph Reasoning based Pixel-to-Offset Prediction Network for 3D Hand Pose Estimation from a Single Depth Image [28.753759115780515]
  最先端の単一深度画像に基づく3次元手ポーズ推定法は、密集した予測に基づいている。 上記の問題に対処するために, 画素単位の予測に基づく新しい手法を提案する。 提案モデルは2次元完全畳み込みネットワークのバックボーンで実装され,約1.4Mのパラメータしか持たない。
  論文  参考訳（メタデータ） (2020-07-09T08:57:19Z)

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。