論文の概要: Few-shot Unknown Class Discovery of Hyperspectral Images with Prototype Learning and Clustering

• arxiv url: http://arxiv.org/abs/2508.18075v1
• Date: Mon, 25 Aug 2025 14:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.819224
• Title: Few-shot Unknown Class Discovery of Hyperspectral Images with Prototype Learning and Clustering
• Title（参考訳）: プロトタイプ学習とクラスタリングによるハイパースペクトル画像の未知クラス発見
• Authors: Chun Liu, Chen Zhang, Zhuo Li, Zheng Li, Wei Yang,
• Abstract要約: Open-set Hyperspectral Image (HSI) 分類は、クラスごとにラベル付きピクセルがほとんどないことにより、画像ピクセルを分類することを目的としている。 現在の手法は主に、未知のクラスサンプルを既知のクラスサンプルと区別し、既知のクラスサンプルを識別する精度を高めるためにそれらを拒絶することに焦点を当てている。 本稿では,HSIにおける未知のクラスを少数ショット環境下で発見するための学習とクラスタリングのプロトタイプを提案する。
• 参考スコア（独自算出の注目度）: 16.806382707078086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set few-shot hyperspectral image (HSI) classification aims to classify image pixels by using few labeled pixels per class, where the pixels to be classified may be not all from the classes that have been seen. To address the open-set HSI classification challenge, current methods focus mainly on distinguishing the unknown class samples from the known class samples and rejecting them to increase the accuracy of identifying known class samples. They fails to further identify or discovery the unknow classes among the samples. This paper proposes a prototype learning and clustering method for discoverying unknown classes in HSIs under the few-shot environment. Using few labeled samples, it strives to develop the ability of infering the prototypes of unknown classes while distinguishing unknown classes from known classes. Once the unknown class samples are rejected by the learned known class classifier, the proposed method can further cluster the unknown class samples into different classes according to their distance to the inferred unknown class prototypes. Compared to existing state-of-the-art methods, extensive experiments on four benchmark HSI datasets demonstrate that our proposed method exhibits competitive performance in open-set few-shot HSI classification tasks. All the codes are available at \href{https://github.com/KOBEN-ff/OpenFUCD-main} {https://github.com/KOBEN-ff/OpenFUCD-main}
• Abstract（参考訳）: Open-set few-shot hyperspectral image (HSI) 分類は、クラスごとのラベル付き画素数が少ないことにより、画像画素を分類することを目的としている。 オープンセットのHSI分類問題に対処するために、現在の手法は、既知のクラスサンプルと未知のクラスサンプルを区別することを中心に、既知のクラスサンプルを識別する精度を高めるために、それらを拒絶している。 サンプル内の無知のクラスをさらに特定または発見することに失敗する。 本稿では,HSIにおける未知のクラスを少数ショット環境下で発見するための学習とクラスタリングのプロトタイプを提案する。 ラベル付きサンプルがほとんどないため、未知のクラスのプロトタイプを推論し、未知のクラスと未知のクラスを区別する能力を開発しようとしている。 学習したクラス分類器によって未知のクラスサンプルが拒絶されると、提案手法は未知のクラスサンプルを推論された未知のクラスプロトタイプとの距離に応じて、さらに異なるクラスにクラスタ化することができる。 既存の最先端手法と比較して、4つのベンチマークHSIデータセットに対する広範な実験により、提案手法はオープンセットの少数ショットHSI分類タスクにおいて競合性能を示すことを示した。 すべてのコードは \href{https://github.com/KOBEN-ff/OpenFUCD-main} {https://github.com/KOBEN-ff/OpenFUCD-main} で入手できる。

関連論文リスト

• Robust Semi-Supervised Learning for Self-learning Open-World Classes [5.714673612282175]
  実世界のアプリケーションでは、ラベル付きデータは常にラベル付き集合に存在しないクラスを含んでいる。 本稿では,自己学習型オープンワールドクラス(SSOC)のためのオープンワールドSSL手法を提案する。 SSOCは、複数の人気のある分類ベンチマークで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-15T09:27:46Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Large-Scale Open-Set Classification Protocols for ImageNet [0.0]
  Open-Set Classification (OSC) は、実世界のシナリオにクローズドセットの分類モデルを適用することを目的としている。 本稿では,未知のクラスと未知のクラスの間で,異なるレベルの類似性を持つ自然画像のリッチなデータセットを提供する3つのオープンセットプロトコルを提案する。 本稿では,ディープラーニングモデルのトレーニングが既知のサンプルの分類と未知のサンプルの拒絶の両方に対処するかどうかを評価するために,新しい検証基準を提案する。
  論文  参考訳（メタデータ） (2022-10-13T07:01:34Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Zero-Shot Open Set Detection by Extending CLIP [11.685826603026268]
  ZO-CLIPは、マルチモーダル表現学習によるゼロショット分類の最近の進歩に基づいている。 ゼロショットオープンセット検出のための既知のクラス名と未知のクラス名の両方に基づいて信頼性スコアを算出する。 オープンセット検出のための5つのベンチマークデータセットの実験結果から、ZO-CLIPがベースラインを大きなマージンで上回ることを確認した。
  論文  参考訳（メタデータ） (2021-09-06T21:27:43Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。