Fugu-MT 論文翻訳(概要): Hyperspectral Image Classification using Spectral-Spatial Mixer Network

論文の概要: Hyperspectral Image Classification using Spectral-Spatial Mixer Network

arxiv url: http://arxiv.org/abs/2511.15692v1
Date: Wed, 19 Nov 2025 18:48:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-20 15:51:28.942913
Title: Hyperspectral Image Classification using Spectral-Spatial Mixer Network
Title（参考訳）: スペクトル-空間ミキサーネットワークを用いたハイパースペクトル画像分類
Authors: Mohammed Q. Alkhatib,
Abstract要約: 本稿では,高スペクトル画像(HSI)分類のための軽量かつ効果的なディープラーニングモデルであるSS-MixNetを紹介する。このアーキテクチャは、局所スペクトル空間特徴抽出のための3次元畳み込み層と、2つの並列スタイルミキサーブロックを統合する。 QUH-TangdaowanとQUH-Qingyunのデータセット上で、ラベル付きデータのわずか1%を用いてモデルを評価する。
参考スコア（独自算出の注目度）: 2.538209532048867
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces SS-MixNet, a lightweight and effective deep learning model for hyperspectral image (HSI) classification. The architecture integrates 3D convolutional layers for local spectral-spatial feature extraction with two parallel MLP-style mixer blocks that capture long-range dependencies in spectral and spatial dimensions. A depthwise convolution-based attention mechanism is employed to enhance discriminative capability with minimal computational overhead. The model is evaluated on the QUH-Tangdaowan and QUH-Qingyun datasets using only 1% of labeled data for training and validation. SS-MixNet achieves the highest performance among compared methods, including 2D-CNN, 3D-CNN, IP-SWIN, SimPoolFormer, and HybridKAN, reaching 95.68% and 93.86% overall accuracy on the Tangdaowan and Qingyun datasets, respectively. The results, supported by quantitative metrics and classification maps, confirm the model's effectiveness in delivering accurate and robust predictions with limited supervision. The code will be made publicly available at: https://github.com/mqalkhatib/SS-MixNet
Abstract（参考訳）: 本稿では,高スペクトル画像(HSI)分類のための軽量かつ効果的なディープラーニングモデルであるSS-MixNetを紹介する。このアーキテクチャは、局所スペクトル空間特徴抽出のための3次元畳み込み層と、スペクトル次元と空間次元の長距離依存性をキャプチャする2つの並列MLPスタイルミキサーブロックを統合している。深い畳み込みに基づく注意機構は、最小の計算オーバーヘッドで識別能力を高めるために用いられる。 QUH-TangdaowanとQUH-Qingyunのデータセット上で、トレーニングと検証のためにラベル付きデータのわずか1%を使用してモデルを評価する。 SS-MixNetは2D-CNN、3D-CNN、IP-SWIN、SimPoolFormer、HybridKANなどの比較手法で最高性能を達成し、TangdaowanとQingyunのデータセットでそれぞれ95.68%と93.86%の精度を達成した。定量的なメトリクスと分類マップによって支持された結果は、限られた監督下で正確で堅牢な予測を行う上で、モデルの有効性を確認する。コードは、https://github.com/mqalkhatib/SS-MixNetで公開されます。

関連論文リスト

CLAReSNet: When Convolution Meets Latent Attention for Hyperspectral Image Classification [20.37811669228711]
CLAReSNetは、マルチスケールの畳み込み抽出と、適応的な潜在ボトルネックによるトランスフォーマースタイルの注意を統合するハイブリッドアーキテクチャである。インド・パインズとサリナスのデータセットで実施された実験は、最先端のパフォーマンスを示し、全体の精度は99.71%と99.96%である。
論文参考訳（メタデータ） (2025-11-15T20:25:59Z)
Optimized CNNs for Rapid 3D Point Cloud Object Recognition [2.6462438855724826]
本研究では,畳み込みニューラルネットワーク(CNN)を用いて3次元点雲内の物体を効率的に検出する手法を提案する。提案手法では特徴中心の投票機構を採用して,入力データで観測される典型的な疎度を生かした畳み込み層を構築する。 Vote3Deepモデルは、わずか3層で、レーザーのみのアプローチとレーザービジョンを組み合わせた手法の両方において、これまでの最先端よりも優れている。
論文参考訳（メタデータ） (2024-12-03T21:42:30Z)
Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning [7.06787067270941]
本稿では,分類精度を高めつつ,データ量を大幅に削減する新しいフレームワークを提案する。本モデルでは,空間特徴解析のための特殊ブロックによって補完されるスペクトル特徴を効率よく抽出するために,双方向逆畳み込みニューラルネットワーク(CNN)を用いる。
論文参考訳（メタデータ） (2024-11-29T23:32:26Z)
ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文参考訳（メタデータ） (2024-08-20T14:49:14Z)
How to Learn More? Exploring Kolmogorov-Arnold Networks for Hyperspectral Image Classification [26.37105279142761]
Kolmogorov-Arnold Networks (KANs) は視覚変換器 (ViTs) の代替として提案された。本研究では,複雑なハイパースペクトル画像(HSI)データ分類におけるkansの有効性を評価する。そこで我々は,1D,2D,3Dkanを用いたハイブリッドアーキテクチャを開発し,提案する。
論文参考訳（メタデータ） (2024-06-22T03:31:02Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文参考訳（メタデータ） (2020-12-07T03:44:35Z)
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)
Hyperspectral Classification Based on 3D Asymmetric Inception Network with Data Fusion Transfer Learning [36.05574127972413]
私たちはまず、3D非対称なインセプションネットワークであるAINetを提供し、過度に適合する問題を克服します。 HSIデータの空間的コンテキストに対するスペクトルシグネチャの強調により、AINetはこの機能を効果的に伝達し、分類することができる。
論文参考訳（メタデータ） (2020-02-11T06:37:34Z)
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。