論文の概要: Towards Interpretable PolSAR Image Classification: Polarimetric Scattering Mechanism Informed Concept Bottleneck and Kolmogorov-Arnold Network

• arxiv url: http://arxiv.org/abs/2507.03315v1
• Date: Fri, 04 Jul 2025 05:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.675324
• Title: Towards Interpretable PolSAR Image Classification: Polarimetric Scattering Mechanism Informed Concept Bottleneck and Kolmogorov-Arnold Network
• Title（参考訳）: PolSAR画像分類に向けて:Polalimetric Scattering Mechanism Informed Concept Bottleneck and Kolmogorov-Arnold Network
• Authors: Jinqi Zhang, Fangzhou Han, Di Zhuang, Lamei Zhang, Bin Zou, Li Yuan,
• Abstract要約: まず、この問題を強調し、DLベースのPolSAR画像分類技術の解釈可能性解析を実現する。 ポーラリメトリックの概念ラベルとParallel Concept Bottleneck Networks (PaCBM) と呼ばれる新しい構造を構築することで、解釈不能な高次元特徴を人間の理解可能な概念に変換する。 複数の PolSAR データセットの実験結果から, 良好な精度を達成できるという前提の下で, 概念化の可能性が示唆された。
• 参考スコア（独自算出の注目度）: 14.574881175355468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Deep Learning (DL) based methods have received extensive and sufficient attention in the field of PolSAR image classification, which show excellent performance. However, due to the ``black-box" nature of DL methods, the interpretation of the high-dimensional features extracted and the backtracking of the decision-making process based on the features are still unresolved problems. In this study, we first highlight this issue and attempt to achieve the interpretability analysis of DL-based PolSAR image classification technology with the help of Polarimetric Target Decomposition (PTD), a feature extraction method related to the scattering mechanism unique to the PolSAR image processing field. In our work, by constructing the polarimetric conceptual labels and a novel structure named Parallel Concept Bottleneck Networks (PaCBM), the uninterpretable high-dimensional features are transformed into human-comprehensible concepts based on physically verifiable polarimetric scattering mechanisms. Then, the Kolmogorov-Arnold Network (KAN) is used to replace Multi-Layer Perceptron (MLP) for achieving a more concise and understandable mapping process between layers and further enhanced non-linear modeling ability. The experimental results on several PolSAR datasets show that the features could be conceptualization under the premise of achieving satisfactory accuracy through the proposed pipeline, and the analytical function for predicting category labels from conceptual labels can be obtained by combining spline functions, thus promoting the research on the interpretability of the DL-based PolSAR image classification model.
• Abstract（参考訳）: 近年,PolSAR画像分類の分野では,Deep Learning (DL) に基づく手法が注目されている。 しかし, DL手法の「ブラックボックス」の性質から, 抽出した高次元特徴の解釈と特徴に基づく意思決定プロセスのバックトラックは未解決の問題である。 本研究では,この問題を最初に強調し,Polimetric Target Decomposition (PTD) の助けを借りて,Polimetric Target Decomposition (PTD) を用いたDLベースのPolSAR画像分類技術の解釈可能性解析を実現する。 本研究では,Parallel Concept Bottleneck Networks (Pallel Concept Bottleneck Networks, PaCBM) という概念ラベルと新しい構造を構築することにより, 物理的に検証可能な偏光散乱機構に基づいて, 解釈不能な高次元特徴を人間に理解可能な概念に変換する。 次に、KAN(Kolmogorov-Arnold Network)を用いて、階層間のより簡潔で理解しやすいマッピングプロセスと、さらに強化された非線形モデリング能力を実現するために、MLP(Multi-Layer Perceptron)を置き換える。 複数のPolSARデータセットに対する実験結果から,提案したパイプラインによる良好な精度の前提下での概念化が可能であり,また,スプライン関数を組み合わせることにより,概念ラベルからカテゴリラベルを予測する解析関数が得られ,DLベースのPolSAR画像分類モデルの解釈可能性に関する研究が促進されることがわかった。

関連論文リスト

• Bottom-Up Scattering Information Perception Network for SAR target recognition [9.694730272245849]
  本稿では,より解釈可能なターゲット認識のためのボトムアップ散乱情報知覚ネットワークを提案する。 まず、CNNネットワークに基づくバックボーン特徴抽出器を置き換えるために、局所散乱パーセプトロンを提案する。 次に、対象散乱部情報を頑健に特徴付けるために、教師なし散乱部特徴抽出モデルを提案する。 第3に、対象部品の知識を集約して完全な対象記述を形成することにより、モデルの解釈可能性および識別能力を向上させる。
  論文  参考訳（メタデータ） (2025-04-07T07:15:08Z)
• Manifold Learning for Hyperspectral Images [0.0]
  本論文では,一様多様体近似と投影を用いた隣接グラフの構築により,データセットトポロジを近似する手法を提案する。 このアプローチは、データ内の非線形相関を捕捉し、機械学習アルゴリズムの性能を大幅に改善する。
  論文  参考訳（メタデータ） (2025-03-19T09:12:56Z)
• Hyperspectral Image Spectral-Spatial Feature Extraction via Tensor Principal Component Analysis [41.71615165526371]
  本稿では,ハイパースペクトル画像分類におけるスペクトル空間特徴抽出の課題について述べる。 提案手法では、円形の畳み込みをテンソル構造に組み込んで、スペクトル情報と空間情報の両方を効果的に捕捉・統合する。 この枠組みに基づいて、従来の主成分分析(PCA)技術は、主成分分析(TPCA)と呼ばれるテンソルベースに拡張される。
  論文  参考訳（メタデータ） (2024-12-08T21:52:09Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Unsupervised Interpretable Basis Extraction for Concept-Based Visual Explanations [53.973055975918655]
  提案手法を用いて抽出したベースに変換すると,中間層表現がより解釈可能であることを示す。 提案手法は,提案手法を教師付きアプローチから抽出したベースと,教師付き手法から抽出したベースを比較した結果,教師なし手法は教師付き手法の限界を構成する強みを有し,今後の研究の方向性を示す。
  論文  参考訳（メタデータ） (2023-03-19T00:37:19Z)
• Explainable Analysis of Deep Learning Methods for SAR Image Classification [11.861924367762033]
  我々は、SAR画像分類タスクに説明可能な人工知能(XAI)手法を利用する。 我々はOpenSARUrbanデータセット上で各偏極フォーマットに対して最先端の畳み込みニューラルネットワークを訓練した。 オクルージョンは最大感度で最も信頼性の高い解釈性能を得るが、低分解能な説明熱マップを持つ。
  論文  参考訳（メタデータ） (2022-04-14T06:42:21Z)
• Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
  この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。 非条件的および条件付きポストホック診断ツールの拡張に使用できる。 提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
  論文  参考訳（メタデータ） (2021-04-09T10:48:11Z)
• Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images [16.594052017558223]
  本稿では、教師なし深層表現学習と少数ショット分類のためのPolSAR対応コントラスト学習ネットワーク(PCLNet)を提案する。 PCLNetは、インスタンス識別のプロキシ目的に基づいて教師なし事前学習フェーズを開発し、ラベルなしのPolSARデータから有用な表現を学習する。 広く使われている2つのPolSARベンチマークデータセットの実験により、PCLNetの有効性が確認された。
  論文  参考訳（メタデータ） (2020-06-27T12:15:32Z)

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。