論文の概要: Generalized Category Discovery in Hyperspectral Images via Prototype Subspace Modeling

• arxiv url: http://arxiv.org/abs/2509.24017v1
• Date: Sun, 28 Sep 2025 18:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.593073
• Title: Generalized Category Discovery in Hyperspectral Images via Prototype Subspace Modeling
• Title（参考訳）: 原型部分空間モデリングによるハイパースペクトル画像の一般化カテゴリー探索
• Authors: Xianlu Li, Nicolas Nadisic, Shaoguang Huang, Aleksandra Pizurica,
• Abstract要約: 一般化されたカテゴリ発見(GCD)は、ラベルなしデータにおいて、既知のカテゴリと新しいカテゴリの両方を共同で識別しようとする。 これまでの研究は主にRGB画像に焦点を当ててきたが、その仮定とモデリング戦略は、本質的に高次元で複雑なスペクトル構造を示すハイパースペクトル画像(HSI)によく当てはまらない。 本稿では,HSIに適した最初のGCDフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.598744707088535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized category discovery~(GCD) seeks to jointly identify both known and novel categories in unlabeled data. While prior works have mainly focused on RGB images, their assumptions and modeling strategies do not generalize well to hyperspectral images~(HSI), which are inherently high-dimensional and exhibit complex spectral structures. In this paper, we propose the first GCD framework tailored for HSI, introducing a prototype subspace modeling model to better capture class structure. Instead of learning a single prototype vector for each category as in existing methods such as SimGCD, we model each category using a set of basis vectors, forming a subspace representation that enables greater expressiveness and discrimination in a high-dimensional feature space. To guide the learning of such bases, we enforce two key constraints: (1) a basis orthogonality constraint that promotes inter-class separability, and (2) a reconstruction constraint that ensures each prototype basis can effectively reconstruct its corresponding class samples. Experimental results on real-world HSI demonstrate that our method significantly outperforms state-of-the-art GCD methods, establishing a strong foundation for generalized category discovery in hyperspectral settings.
• Abstract（参考訳）: 一般化されたカテゴリ発見~(GCD)は、ラベルのないデータの中で、既知のカテゴリと新しいカテゴリの両方を共同で識別しようとする。 それまでの研究は主にRGB画像に焦点を当ててきたが、その仮定とモデリング戦略は、本質的に高次元で複雑なスペクトル構造を示すハイパースペクトル画像~(HSI)に対してうまく一般化していない。 本稿では,HSIに適した最初のGCDフレームワークを提案する。 SimGCDのような既存の手法のように、各カテゴリの1つのプロトタイプベクトルを学習する代わりに、基底ベクトルの集合を用いて各カテゴリをモデル化し、高次元特徴空間における表現性や識別性を高める部分空間表現を形成する。 本研究は,(1)クラス間の分離性を促進する基底直交制約,(2)各プロトタイプベースが対応するクラスサンプルを効果的に再構築可能であることを保証する再構築制約,の2つの重要な制約を施行する。 実世界のHSI実験の結果,提案手法は最先端のGCD法よりも優れており,ハイパースペクトル環境下での一般化されたカテゴリ発見の強力な基盤が確立されている。

関連論文リスト

• Hyperbolic Category Discovery [12.654574453480635]
  Generalized Category Discovery (GCD) は、既知のクラスや未知のクラスに属するかに関わらず、未ラベルのサブセット内のすべてのイメージを分類することを目的としている。 GCDのための階層認識表現と分類器を学習するためのハイパーボリックフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-08T15:12:33Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
  本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。 提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
  論文  参考訳（メタデータ） (2024-04-10T15:51:46Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• On Hyperbolic Embeddings in 2D Object Detection [76.12912000278322]
  双曲幾何学が対象分類空間の基盤構造に適合するかどうかを考察する。 2段階、キーポイントベース、トランスフォーマーベースオブジェクト検出アーキテクチャに双曲型分類器を組み込む。 分類空間の構造に現れる分類階級階層を観察し、分類誤差を低くし、全体的な対象検出性能を高める。
  論文  参考訳（メタデータ） (2022-03-15T16:43:40Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
  本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。 具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。 従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
  論文  参考訳（メタデータ） (2020-04-22T10:09:19Z)

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。