論文の概要: CWSSNet: Hyperspectral Image Classification Enhanced by Wavelet Domain Convolution

• arxiv url: http://arxiv.org/abs/2509.09163v1
• Date: Thu, 11 Sep 2025 05:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.24319
• Title: CWSSNet: Hyperspectral Image Classification Enhanced by Wavelet Domain Convolution
• Title（参考訳）: CWSSNet: ウェーブレットドメインの畳み込みによって強化されたハイパースペクトル画像分類
• Authors: Yulin Tong, Fengzong Zhang, Haiqin Cheng,
• Abstract要約: 本研究は、ZY1F衛星からのハイパースペクトル画像をデータソースとして使用し、江西省山東市由賀郡を研究領域として選定した。 3次元スペクトル空間特徴とウェーブレット畳み込みを統合したCWSSNetという分類フレームワークが提案されている。 CWSSNetは、ユガン郡で平均74.50%、平均82.73%、平均84.94%、平均的精度(mAcc)、平均F1スコア(mF1)を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral remote sensing technology has significant application value in fields such as forestry ecology and precision agriculture, while also putting forward higher requirements for fine ground object classification. However, although hyperspectral images are rich in spectral information and can improve recognition accuracy, they tend to cause prominent feature redundancy due to their numerous bands, high dimensionality, and spectral mixing characteristics. To address this, this study used hyperspectral images from the ZY1F satellite as a data source and selected Yugan County, Shangrao City, Jiangxi Province as the research area to perform ground object classification research. A classification framework named CWSSNet was proposed, which integrates 3D spectral-spatial features and wavelet convolution. This framework integrates multimodal information us-ing a multiscale convolutional attention module and breaks through the classification performance bottleneck of traditional methods by introducing multi-band decomposition and convolution operations in the wavelet domain. The experiments showed that CWSSNet achieved 74.50\%, 82.73\%, and 84.94\% in mean Intersection over Union (mIoU), mean Accuracy (mAcc), and mean F1-score (mF1) respectively in Yugan County. It also obtained the highest Intersection over Union (IoU) in the classifica-tion of water bodies, vegetation, and bare land, demonstrating good robustness. Additionally, when the training set proportion was 70\%, the increase in training time was limited, and the classification effect was close to the optimal level, indicating that the model maintains reliable performance under small-sample training conditions.
• Abstract（参考訳）: ハイパースペクトルリモートセンシング技術は、森林生態学や精密農業などの分野において重要な応用価値を持ち、また、細地オブジェクト分類の要求も高めている。 しかし、ハイパースペクトル画像はスペクトル情報に富み、認識精度を向上させることができるが、多くの帯域、高次元、スペクトル混合特性のために特徴的冗長性を引き起こす傾向がある。 そこで本研究では,ZY1F衛星からのハイパースペクトル画像をデータソースとして利用し,江西省山東市由賀郡を研究領域として選定し,地中物分類研究を行った。 3次元スペクトル空間特徴とウェーブレット畳み込みを統合したCWSSNetという分類フレームワークが提案されている。 このフレームワークは、マルチスケールの畳み込みアテンションモジュールを利用するマルチモーダル情報を統合し、ウェーブレット領域にマルチバンド分解および畳み込み操作を導入することにより、従来の手法の分類性能ボトルネックを突破する。 実験の結果、CWSSNetはユガン郡で平均74.50\%、82.73\%、84.94\%、mIoU、平均精度(mAcc)、F1スコア(mF1)を達成した。 また、水域、植生、および裸地の分類における最高水準の連邦断面積(IoU)を獲得し、良好な堅牢性を示した。 また, トレーニングセットの割合が70 %であった場合, トレーニング時間の増加は制限され, 分類効果は最適値に近かった。

関連論文リスト

• An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
  長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。 トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。 特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
  論文  参考訳（メタデータ） (2024-12-16T03:21:20Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• CMTNet: Convolutional Meets Transformer Network for Hyperspectral Images Classification [3.821081081400729]
  現在の畳み込みニューラルネットワーク(CNN)は、ハイパースペクトルデータの局所的な特徴に焦点を当てている。 Transformerフレームワークは、ハイパースペクトル画像からグローバルな特徴を抽出する。 本研究は、CMTNet(Convolutional Meet Transformer Network)を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T07:56:51Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Hyperspectral Image Classification with Spatial Consistence Using Fully Convolutional Spatial Propagation Network [9.583523548244683]
  深部畳み込みニューラルネットワーク(CNN)は、高スペクトル画像(HSI)を表現できる印象的な能力を示している 本稿では,HSI分類のための新しいエンドツーエンドの画素間完全畳み込み空間伝搬ネットワーク(FCSPN)を提案する。 FCSPNは3次元完全畳み込みネットワーク(3D-FCN)と畳み込み空間伝播ネットワーク(CSPN)からなる。
  論文  参考訳（メタデータ） (2020-08-04T09:05:52Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。