論文の概要: Evidential Deep Learning with Spectral-Spatial Uncertainty Disentanglement for Open-Set Hyperspectral Domain Generalization

• arxiv url: http://arxiv.org/abs/2506.09460v1
• Date: Wed, 11 Jun 2025 07:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.679395
• Title: Evidential Deep Learning with Spectral-Spatial Uncertainty Disentanglement for Open-Set Hyperspectral Domain Generalization
• Title（参考訳）: 開集合超スペクトル領域一般化のためのスペクトル空間不確かさ分散を用いた証拠深層学習
• Authors: Amirreza Khoshbakht, Erchan Aptoula,
• Abstract要約: ハイパースペクトル画像分類のための新しいオープンセット領域一般化フレームワークを提案する。 このフレームワークは、SIFD(Spectrum-Invariant Frequency Disentanglement)、DCRN(Dual-Channel Residual Network)、EDL(Evidential Deep Learning)、SSUD(Spectral-Spatial Uncertainty Disentanglement)の4つの重要なコンポーネントを組み合わせている。 実験結果から,本手法は最先端のドメイン適応手法に匹敵する性能を実現することが示された。
• 参考スコア（独自算出の注目度）: 5.770351255180493
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Open-set domain generalization(OSDG) for hyperspectral image classification presents significant challenges due to the presence of unknown classes in target domains and the need for models to generalize across multiple unseen domains without target-specific adaptation. Existing domain adaptation methods assume access to target domain data during training and fail to address the fundamental issue of domain shift when unknown classes are present, leading to negative transfer and reduced classification performance. To address these limitations, we propose a novel open-set domain generalization framework that combines four key components: Spectrum-Invariant Frequency Disentanglement (SIFD) for domain-agnostic feature extraction, Dual-Channel Residual Network (DCRN) for robust spectral-spatial feature learning, Evidential Deep Learning (EDL) for uncertainty quantification, and Spectral-Spatial Uncertainty Disentanglement (SSUD) for reliable open-set classification. The SIFD module extracts domain-invariant spectral features in the frequency domain through attention-weighted frequency analysis and domain-agnostic regularization, while DCRN captures complementary spectral and spatial information via parallel pathways with adaptive fusion. EDL provides principled uncertainty estimation using Dirichlet distributions, enabling the SSUD module to make reliable open-set decisions through uncertainty-aware pathway weighting and adaptive rejection thresholding. Experimental results on three cross-scene hyperspectral classification tasks show that our approach achieves performance comparable to state-of-the-art domain adaptation methods while requiring no access to the target domain during training. The implementation will be made available at https://github.com/amir-khb/SSUDOSDG upon acceptance.
• Abstract（参考訳）: ハイパースペクトル画像分類のためのオープンセット領域一般化(OSDG)は、ターゲット領域に未知のクラスが存在することや、ターゲット固有の適応なしに複数の未確認領域にまたがるモデルを一般化する必要性により、大きな課題を呈している。 既存のドメイン適応手法では、トレーニング中に対象のドメインデータへのアクセスを前提としており、未知のクラスが存在する場合のドメインシフトの根本的な問題に対処できないため、負の転送や分類性能が低下する。 これらの制約に対処するため、領域に依存しない特徴抽出のためのSIFD(Spectrum-Invariant Frequency Disentanglement)、堅牢なスペクトル空間特徴学習のためのDual-Channel Residual Network(DCRN)、不確実性定量化のためのEvidential Deep Learning(EDL)、信頼性のあるオープンセット分類のためのSpectral-Spatial Uncertainty Disentanglement(SSUD)の4つの重要なコンポーネントを組み合わせた新しいオープンセットドメイン一般化フレームワークを提案する。 SIFDモジュールは、注意重み付け周波数分析とドメイン非依存正規化により周波数領域の領域不変スペクトルの特徴を抽出し、DCRNは適応融合を伴う並列経路を介して補完スペクトルと空間情報をキャプチャする。 EDLはディリクレ分布を用いた原理的不確実性推定を提供するため、SSUDモジュールは不確実性認識経路重み付けと適応的拒絶閾値付けにより、信頼性の高いオープンセット決定を行うことができる。 3つのクロスステージハイパースペクトル分類タスクの実験結果から,本手法は訓練中に対象領域へのアクセスを必要とせず,最先端領域適応法に匹敵する性能を達成できることが示された。 実装は https://github.com/amir-khb/SSUDOSDG で受け入れられる。

関連論文リスト

• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Feature-Space Semantic Invariance: Enhanced OOD Detection for Open-Set Domain Generalization [10.38552112657656]
  本稿では、FSI(Feature-space Semantic Invariance)を導入して、オープンセット領域の一般化のための統一的なフレームワークを提案する。 FSIは機能領域内の異なるドメイン間のセマンティック一貫性を維持しており、見えないドメイン内のOODインスタンスをより正確に検出することができる。 また、新しいドメインスタイルやクラスラベルで合成データを生成するために生成モデルを採用し、モデルロバスト性を高めます。
  論文  参考訳（メタデータ） (2024-11-11T21:51:45Z)
• Gradient Alignment for Cross-Domain Face Anti-Spoofing [26.517887637150594]
  本稿では,新たな学習目標であるGAC-FASを紹介する。 従来のシャープネス対応最小化器とは異なり、GAC-FASは各領域の上昇点を特定し、一般化勾配の更新を制御する。 ドメイン間FASデータセットの厳密な検証によりGAC-FASの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T02:57:44Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Rare event estimation using stochastic spectral embedding [0.0]
  まれな障害事象の確率を推定することは、エンジニアリングシステムの信頼性評価において重要なステップである。 稀な事象推定問題を効率的に解くためにアルゴリズムを調整した一連の修正を提案する。
  論文  参考訳（メタデータ） (2021-06-09T16:10:33Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。