Fugu-MT 論文翻訳(概要): Neighborhood Feature Pooling for Remote Sensing Image Classification

論文の概要: Neighborhood Feature Pooling for Remote Sensing Image Classification

arxiv url: http://arxiv.org/abs/2510.25077v2
Date: Thu, 30 Oct 2025 01:37:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-31 13:50:54.744948
Title: Neighborhood Feature Pooling for Remote Sensing Image Classification
Title（参考訳）: リモートセンシング画像分類のための周辺機能ポーリング
Authors: Fahimeh Orvati Nia, Amirmohammad Mohammadi, Salim Al Kharsa, Pragati Naikare, Zigfried Hampel-Arias, Joshua Peeples,
Abstract要約: 近接特徴プーリングはリモートセンシング画像分類のための新しいテクスチャ特徴抽出法である。 NFP層は近隣の入力間の関係を捉え、特徴次元にわたって局所的な類似性を効率的に集約する。
参考スコア（独自算出の注目度）: 1.6932802756478729
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we propose neighborhood feature pooling (NFP) as a novel texture feature extraction method for remote sensing image classification. The NFP layer captures relationships between neighboring inputs and efficiently aggregates local similarities across feature dimensions. Implemented using convolutional layers, NFP can be seamlessly integrated into any network. Results comparing the baseline models and the NFP method indicate that NFP consistently improves performance across diverse datasets and architectures while maintaining minimal parameter overhead.
Abstract（参考訳）: 本研究では, リモートセンシング画像分類のための新しいテクスチャ特徴抽出法として, 近傍特徴プール(NFP)を提案する。 NFP層は近隣の入力間の関係を捉え、特徴次元にわたって局所的な類似性を効率的に集約する。畳み込みレイヤを使用して実装されたNFPは、任意のネットワークにシームレスに統合できる。ベースラインモデルとNFP法を比較すると、NFPはパラメータのオーバーヘッドを最小限に抑えつつ、さまざまなデータセットやアーキテクチャのパフォーマンスを一貫して改善することを示している。

関連論文リスト

Receptive Field-based Segmentation for Distributed CNN Inference Acceleration in Collaborative Edge Computing [93.67044879636093]
協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
論文参考訳（メタデータ） (2022-07-22T18:38:11Z)
Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
論文参考訳（メタデータ） (2022-07-14T01:45:03Z)
UDRN: Unified Dimensional Reduction Neural Network for Feature Selection and Feature Projection [37.03465340777392]
次元還元(DR)は、高次元データを最小定義された最適化目標を持つ低次元潜在空間にマッピングする。 FSは次元の重要なサブセットの選択に重点を置いているが、データ分散(構造)を破壊するリスクがある FPは全ての入力特徴を低次元空間に結合し、データ構造を維持することを目的としている。我々は、FSとFPをエンドツーエンドで統合する統一的なフレームワークUDRN(Unified dimensional Reduction Neural-network)を開発した。
論文参考訳（メタデータ） (2022-07-08T10:30:20Z)
Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
論文参考訳（メタデータ） (2021-11-22T08:55:25Z)
A^2-FPN: Attention Aggregation based Feature Pyramid Network for Instance Segmentation [68.10621089649486]
アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。 A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
論文参考訳（メタデータ） (2021-05-07T11:51:08Z)
Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
論文参考訳（メタデータ） (2020-12-07T08:16:32Z)
Dynamic Feature Pyramid Networks for Object Detection [40.24111664691307]
本稿では,各層に異なるカーネルサイズを持つ畳み込みフィルタを組み込んで,受容場を拡大するFPNを提案する。計算コストの異なる複数の分岐からなる新しい動的FPN(DyFPN)を提案する。ベンチマーク実験により,提案したDyFPNは計算資源の最適割り当てにより性能を著しく向上することが示された。
論文参考訳（メタデータ） (2020-12-01T19:03:55Z)
A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文参考訳（メタデータ） (2020-10-02T11:40:09Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。