論文の概要: Hyper-spectral Unmixing algorithms for remote compositional surface mapping: a review of the state of the art
- arxiv url: http://arxiv.org/abs/2507.14260v1
- Date: Fri, 18 Jul 2025 12:46:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:31.808754
- Title: Hyper-spectral Unmixing algorithms for remote compositional surface mapping: a review of the state of the art
- Title（参考訳）: リモートコンポジションサーフェスマッピングのためのハイパースペクトルアンミキシングアルゴリズム
- Authors: Alfredo Gimenez Zapiola, Andrea Boselli, Alessandra Menafoglio, Simone Vantini,
- Abstract要約: この研究は、地球上の広い領域と他の固体天体のリモートセンシング画像に使用されるデータ解析手法の詳細なレビューに関するものである。
詳細は、ハイパースペクトル画像で捉えた表面を覆う物質を推定し、その領域内のその存在量や空間分布を推定する問題に焦点をあてる。
- 参考スコア（独自算出の注目度）: 42.84173646748779
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work concerns a detailed review of data analysis methods used for remotely sensed images of large areas of the Earth and of other solid astronomical objects. In detail, it focuses on the problem of inferring the materials that cover the surfaces captured by hyper-spectral images and estimating their abundances and spatial distributions within the region. The most successful and relevant hyper-spectral unmixing methods are reported as well as compared, as an addition to analysing the most recent methodologies. The most important public data-sets in this setting, which are vastly used in the testing and validation of the former, are also systematically explored. Finally, open problems are spotlighted and concrete recommendations for future research are provided.
- Abstract（参考訳）: この研究は、地球上の広い領域と他の固体天体のリモートセンシング画像に使用されるデータ解析手法の詳細なレビューに関するものである。
詳細は、ハイパースペクトル画像で捉えた表面を覆う物質を推定し、その領域内のその存在量や空間分布を推定する問題に焦点を当てる。
最も成功し、関連するハイパースペクトルアンミキシング法は、最新の方法論を解析するための追加として、比較される。
この設定における最も重要な公開データセットは、前者のテストと検証に広く使用されているが、体系的に検討されている。
最後に、オープンな問題が注目され、将来の研究のための具体的な勧告が提供される。
関連論文リスト
- Hyperspectral Anomaly Detection Methods: A Survey and Comparative Study [1.074960192271861]
ハイパースペクトル異常検出(ハイパースペクトル異常検出、英: Hyperspectral Anomaly Detection、HAD)は、超スペクトルシーンやターゲットスペクトルに関する事前情報なしで、そのようなデータ中の異常なターゲットを特定し、位置を特定する技術である。
本研究では,様々なHAD手法を包括的に比較し,統計モデル,表現ベース手法,古典的機械学習手法,ディープラーニングモデルに分類する。
その結果,ディープラーニングモデルは検出精度が最も高かったのに対し,統計モデルは全データセットで例外的な速度を示した。
論文 参考訳（メタデータ） (2025-07-08T07:23:24Z) - Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。
まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。
次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
論文 参考訳（メタデータ） (2024-01-31T11:51:24Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。
本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。
初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
論文 参考訳（メタデータ） (2023-10-20T01:44:49Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - A Survey on Fundamental Concepts and Practical Challenges of
Hyperspectral images [0.0]
ハイパースペクトル画像(HSI)は、100以上の画像を抽出する完璧なセンサーを使用し、従来のマルチスペクトルデータよりも詳細な情報を提供する。
本稿では,受動受信におけるコミュニケーションのこのような側面について検討することを目的とする。
論文 参考訳（メタデータ） (2022-10-25T23:52:14Z) - Incorporating Texture Information into Dimensionality Reduction for
High-Dimensional Images [65.74185962364211]
距離ベース次元削減手法に周辺情報を組み込む手法を提案する。
画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
論文 参考訳（メタデータ） (2022-02-18T13:17:43Z) - Ensemble Learning techniques for object detection in high-resolution
satellite images [0.0]
組立は個々の検出器を融合させることで検出性能を最大化する手法である。
組立法は、Kaggleのような最近のデータサイエンスの実践において、高いスコアを得るために広く使われてきた。
論文 参考訳（メタデータ） (2022-02-16T10:19:21Z) - Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文 参考訳（メタデータ） (2020-12-07T13:35:08Z) - Spatial-Spectral Manifold Embedding of Hyperspectral Data [43.479889860715275]
本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。
空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。
SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
論文 参考訳（メタデータ） (2020-07-17T05:40:27Z)
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。