論文の概要: Joint Superpixel and Self-Representation Learning for Scalable Hyperspectral Image Clustering

• arxiv url: http://arxiv.org/abs/2509.24027v1
• Date: Sun, 28 Sep 2025 18:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.597082
• Title: Joint Superpixel and Self-Representation Learning for Scalable Hyperspectral Image Clustering
• Title（参考訳）: 拡張性ハイパースペクトル画像クラスタリングのための合同スーパーピクセルと自己表現学習
• Authors: Xianlu Li, Nicolas Nadisic, Shaoguang Huang, Aleksandra Pizurica,
• Abstract要約: サブスペースクラスタリングは、ハイパースペクトル画像(HSI)解析のための強力な教師なしアプローチである。 スーパーピクセルセグメンテーションは、処理するデータポイントの数を減らすことで効率を向上させることができる。 本稿では,スーパーピクセルセグメンテーションとサブスペースクラスタリングを協調的に最適化する統合エンドツーエンド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: Subspace clustering is a powerful unsupervised approach for hyperspectral image (HSI) analysis, but its high computational and memory costs limit scalability. Superpixel segmentation can improve efficiency by reducing the number of data points to process. However, existing superpixel-based methods usually perform segmentation independently of the clustering task, often producing partitions that do not align with the subsequent clustering objective. To address this, we propose a unified end-to-end framework that jointly optimizes superpixel segmentation and subspace clustering. Its core is a feedback mechanism: a self-representation network based on unfolded Alternating Direction Method of Multipliers (ADMM) provides a model-driven signal to guide a differentiable superpixel module. This joint optimization yields clustering-aware partitions that preserve both spectral and spatial structure. Furthermore, our superpixel network learns a unique compactness parameter for each superpixel, enabling more flexible and adaptive segmentation. Extensive experiments on benchmark HSI datasets demonstrate that our method consistently achieves superior accuracy compared with state-of-the-art clustering approaches.
• Abstract（参考訳）: サブスペースクラスタリングは、ハイパースペクトル画像(HSI)解析のための強力な教師なしアプローチであるが、その高い計算とメモリコストはスケーラビリティを制限している。 スーパーピクセルセグメンテーションは、処理するデータポイントの数を減らすことで効率を向上させることができる。 しかし、既存のスーパーピクセルベースのメソッドは通常、クラスタリングタスクとは独立してセグメンテーションを行い、しばしばその後のクラスタリングの目的と一致しないパーティションを生成する。 そこで我々は,スーパーピクセルセグメンテーションとサブスペースクラスタリングを協調的に最適化する統合エンドツーエンドフレームワークを提案する。 その中核はフィードバック機構である: 展開された代替乗算器の方向法(ADMM)に基づく自己表現ネットワークは、微分可能なスーパーピクセルモジュールを導くためのモデル駆動信号を提供する。 この共同最適化により、スペクトル構造と空間構造の両方を保持するクラスタリング対応の分割が得られる。 さらに、スーパーピクセルネットワークは、各スーパーピクセルに対して独自のコンパクト性パラメータを学習し、より柔軟で適応的なセグメンテーションを可能にする。 ベンチマークHSIデータセットの大規模な実験により、我々の手法は最先端のクラスタリング手法と比較して常に優れた精度を達成できることを示した。

関連論文リスト

• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、アノテーションなしで同様のピクセルを同じクラスに割り当てる。 既存のグラフニューラルネットワーク(GNN)は、入力されたHSIのスペクトル情報を十分に活用できない。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [73.01141916544103]
  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)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)

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。