論文の概要: SpectralTrain: A Universal Framework for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2511.16084v1
• Date: Thu, 20 Nov 2025 06:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.495956
• Title: SpectralTrain: A Universal Framework for Hyperspectral Image Classification
• Title（参考訳）: SpectralTrain: ハイパースペクトル画像分類のためのユニバーサルフレームワーク
• Authors: Meihua Zhou, Liping Yu, Jiawei Cai, Wai Kin Fung, Ruiguo Hu, Jiarui Zhao, Wenzhuo Liu, Nan Wan,
• Abstract要約: 本研究では、アーキテクチャに依存しない普遍的なトレーニングフレームワークであるSpectralTrainを紹介する。 カリキュラム学習と主成分分析(PCA)に基づくスペクトルダウンサンプリングを統合することにより、学習効率を向上させる。 従来のSOTA(State-of-the-art)モデルとも互換性がある。
• 参考スコア（独自算出の注目度）: 6.263680699548957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) classification typically involves large-scale data and computationally intensive training, which limits the practical deployment of deep learning models in real-world remote sensing tasks. This study introduces SpectralTrain, a universal, architecture-agnostic training framework that enhances learning efficiency by integrating curriculum learning (CL) with principal component analysis (PCA)-based spectral downsampling. By gradually introducing spectral complexity while preserving essential information, SpectralTrain enables efficient learning of spectral -- spatial patterns at significantly reduced computational costs. The framework is independent of specific architectures, optimizers, or loss functions and is compatible with both classical and state-of-the-art (SOTA) models. Extensive experiments on three benchmark datasets -- Indian Pines, Salinas-A, and the newly introduced CloudPatch-7 -- demonstrate strong generalization across spatial scales, spectral characteristics, and application domains. The results indicate consistent reductions in training time by 2-7x speedups with small-to-moderate accuracy deltas depending on backbone. Its application to cloud classification further reveals potential in climate-related remote sensing, emphasizing training strategy optimization as an effective complement to architectural design in HSI models. Code is available at https://github.com/mh-zhou/SpectralTrain.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は通常、大規模データと計算集約的なトレーニングを伴い、現実世界のリモートセンシングタスクにおけるディープラーニングモデルの実践的な展開を制限する。 本研究では,カリキュラム学習(CL)と主成分分析(PCA)に基づくスペクトルダウンサンプリングを統合することにより,学習効率を向上させる,普遍的なアーキテクチャに依存しないトレーニングフレームワークであるSpectralTrainを紹介する。 重要な情報を保持しながら徐々にスペクトルの複雑さを導入することで、SpectralTrainは、計算コストを大幅に削減したスペクトル-空間パターンの効率的な学習を可能にする。 このフレームワークは特定のアーキテクチャ、オプティマイザ、損失関数とは独立であり、古典的および最先端(SOTA)モデルの両方と互換性がある。 Indian Pines、Salinas-A、そして新たに導入されたCloudPatch-7という3つのベンチマークデータセットに対する大規模な実験は、空間スケール、スペクトル特性、アプリケーションドメインをまたいだ強力な一般化を示している。 その結果, トレーニング時間を2-7倍に短縮し, 背骨による精度差を小さく抑えることができた。 クラウド分類への応用により、気候関連リモートセンシングの可能性がさらに明らかになり、HSIモデルにおけるアーキテクチャ設計を効果的に補完するトレーニング戦略最適化が強調される。 コードはhttps://github.com/mh-zhou/SpectralTrain.comで入手できる。

関連論文リスト

• Hyperspectral Adapter for Semantic Segmentation with Vision Foundation Models [18.24287471339871]
  ハイパースペクトルイメージング(HSI)は、多数の狭い波長帯にわたる密度のスペクトル測定とともに空間情報をキャプチャする。 本アーキテクチャでは、スペクトル変換器とスペクトル対応空間先行モジュールを組み込んで、豊富な空間スペクトル特徴を抽出する。 我々のアーキテクチャは、HSI入力を直接使用しながら、最先端のセマンティックセマンティックセマンティックセマンティクス性能を実現し、ビジョンベースとハイパースペクトルセマンティクスの両方のセマンティクス法より優れている。
  論文  参考訳（メタデータ） (2025-09-24T13:32:07Z)
• Curriculum Multi-Task Self-Supervision Improves Lightweight Architectures for Onboard Satellite Hyperspectral Image Segmentation [21.959448032308615]
  ハイパースペクトルイメージング(HSI)は、1ピクセル当たり数百の連続帯域にわたる詳細なスペクトルシグネチャをキャプチャする。 本稿では,HSI分析のための軽量アーキテクチャ用に設計された,新しいカリキュラム型マルチタスク自己教師型学習フレームワークを提案する。 CMTSSLは、マスク付き画像モデリングと、分離空間とスペクトルジグソーパズルの解法を統合している。
  論文  参考訳（メタデータ） (2025-09-16T16:37:59Z)
• Frequency-Aligned Knowledge Distillation for Lightweight Spatiotemporal Forecasting [37.00869900861736]
  本稿では、複雑な教師モデルからより効率的な軽量学生ネットワークへマルチスケール表現を転送するフレームワーク、Spectral Decoupled Knowledge Distillation (Termed SDKD)を提案する。 このフレームワークは、計算複雑性を低減しつつ、高周波変動と長期トレンドの両方を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2025-06-27T14:24:37Z)
• Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
  劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。 我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。 劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-19T09:54:46Z)
• 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)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• 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。