論文の概要: Preprocessing Algorithm Leveraging Geometric Modeling for Scale Correction in Hyperspectral Images for Improved Unmixing Performance

• arxiv url: http://arxiv.org/abs/2508.08431v1
• Date: Mon, 11 Aug 2025 19:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.216659
• Title: Preprocessing Algorithm Leveraging Geometric Modeling for Scale Correction in Hyperspectral Images for Improved Unmixing Performance
• Title（参考訳）: ハイパースペクトル画像のスケール補正のための幾何モデリングを利用した前処理アルゴリズムによるアンミックス性能の向上
• Authors: Praveen Sumanasekara, Athulya Ratnayake, Buddhi Wijenayake, Keshawa Ratnayake, Roshan Godaliyadda, Parakrama Ekanayake, Vijitha Herath,
• Abstract要約: 本研究では,アンミックス前のスペクトル変動を補正する新しい前処理アルゴリズムを提案する。 本稿では,スケールの変動性を記述するための厳密な数学的枠組みと,提案アルゴリズムの広範な実験的検証について述べる。 このアルゴリズムの一般化と大きな影響は、実際の超スペクトルアンミックスパイプラインにおける重要なコンポーネントとしての可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral variability significantly impacts the accuracy and convergence of hyperspectral unmixing algorithms. While many methods address complex spectral variability, large-scale variations in spectral signature scale caused by factors such as topography, illumination, and shadowing remain a major challenge. These variations often degrade unmixing performance and complicate model fitting. In this paper, we propose a novel preprocessing algorithm that corrects scale-induced spectral variability prior to unmixing. By isolating and compensating for these large-scale multiplicative effects, the algorithm provides a cleaner input, enabling unmixing methods to focus more effectively on modeling nonlinear spectral variability and abundance estimation. We present a rigorous mathematical framework to describe scale variability and extensive experimental validation of the proposed algorithm. Furthermore, the algorithm's impact is evaluated across a broad spectrum of state-of-the-art unmixing algorithms on two synthetic and two real hyperspectral datasets. The proposed preprocessing step consistently improves the performance of these algorithms, including those specifically designed to handle spectral variability, with error reductions close to 50% in many cases. This demonstrates that scale correction acts as a complementary step, facilitating more accurate unmixing by existing methods. The algorithm's generality and significant impact highlight its potential as a key component in practical hyperspectral unmixing pipelines. The implementation code will be made publicly available upon publication.
• Abstract（参考訳）: スペクトルの可変性は、ハイパースペクトルアンミックスアルゴリズムの精度と収束性に大きな影響を及ぼす。 多くの手法が複雑なスペクトルの変動に対処しているが、地形、照明、影などの要因によるスペクトル署名スケールの大規模変動は依然として大きな課題である。 これらのバリエーションは、しばしば未混合のパフォーマンスを低下させ、モデルフィッティングを複雑にする。 本稿では,アンミックス前のスペクトル変動を補正する新しい前処理アルゴリズムを提案する。 このアルゴリズムは、これらの大規模乗法効果を分離・補償することにより、よりクリーンな入力を提供する。 本稿では,スケールの変動性を記述するための厳密な数学的枠組みと,提案アルゴリズムの広範な実験的検証について述べる。 さらに、このアルゴリズムの影響は、2つの合成データセットと2つの実超スペクトルデータセットに対して、最先端の未混合アルゴリズムの幅広い範囲で評価される。 提案した前処理ステップは、スペクトル可変性に特化して設計されたアルゴリズムを含む、これらのアルゴリズムの性能を一貫して改善し、多くの場合、エラーの削減率は50%近くとなる。 このことは、スケール補正が相補的なステップとして機能し、既存の方法によるより正確なアンミックスを促進することを示している。 このアルゴリズムの一般化と大きな影響は、実際の超スペクトルアンミックスパイプラインにおける重要なコンポーネントとしての可能性を強調している。 実装コードは公開時に公開されます。

関連論文リスト

• Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery [2.8516007089651043]
  ハイパースペクトルアンミキシング(Hyperspectral unmixing)は、材料シグネチャ(エンドメンバーと呼ばれる)と対応する割合(アブリダンスを参照)を推定することを目的としている。 本研究は,高スペクトル画像に対するスペーサシティと全変動(TV)制約付き多層リニアアンミキシング(STVMLU)と呼ばれる新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2025-08-05T12:50:55Z)
• A spectral clustering-type algorithm for the consistent estimation of the Hurst distribution in moderately high dimensions [8.829673021172587]
  我々は,高次元フラクタルシステムに基づくHurst分布の統計的同定のためのアルゴリズムを構築した。 寸法、サンプルサイズ、スケールが無限大となる適度な高次元状態において、アルゴリズムは一貫してハースト分布を推定することを示す。 本研究では,実世界のマクロ経済時系列の分析にアルゴリズムを適用し,統合の証拠を明らかにする。
  論文  参考訳（メタデータ） (2025-01-30T03:34:08Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm [8.616208042031877]
  ハイパースペクトルスパースアンミックスでは、空間領域における終端員の変動に対処するためにスペクトル束を用いることに成功した。 我々は,群間隔誘導混合ノルムを組み込むことにより,非混合問題を解くために,マルチスケール空間正規化手法を一般化する。
  論文  参考訳（メタデータ） (2024-01-24T00:37:14Z)
• Variational quantum algorithm for enhanced continuous variable optical phase sensing [0.0]
  変分量子アルゴリズム(VQA)は、ノイズ量子デバイスにおける幅広い問題に対処するために用いられるハイブリッド量子古典的アプローチである。 本研究では, 連続変数プラットフォーム上でのパラメータ推定の最適化のために, 圧縮光に基づく変分アルゴリズムを実装した。
  論文  参考訳（メタデータ） (2023-12-21T14:11:05Z)
• An Effective Image Copy-Move Forgery Detection Using Entropy Information [5.882089693239905]
  本稿ではエントロピー画像を導入し,スケール不変特徴変換検出器に基づくキーポイントの座標とスケールを決定する。 重なり合うエントロピーレベルのクラスタリングアルゴリズムは、キーポイントにおける灰色の値の非理想分布に起因するマッチング複雑性の増大を軽減するために開発された。
  論文  参考訳（メタデータ） (2023-12-19T02:09:38Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)

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。