論文の概要: Hyperspectral Image Data Reduction for Endmember Extraction

• arxiv url: http://arxiv.org/abs/2512.10506v1
• Date: Thu, 11 Dec 2025 10:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.322922
• Title: Hyperspectral Image Data Reduction for Endmember Extraction
• Title（参考訳）: 終端抽出のためのハイパースペクトル画像データ削減
• Authors: Tomohiko Mizutani,
• Abstract要約: ハイパースペクトル画像からの終端抽出は、シーンに存在する材料のスペクトルシグネチャを特定することを目的としている。 近年の研究では、自己辞書法は高い抽出精度を達成できることが示されているが、その高い計算コストは大規模ハイパースペクトル画像に適用可能であることを示唆している。 本稿では,線形プログラミングの定式化に基づく自己辞書法とデータ還元を統合したデータ還元自己辞書法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Endmember extraction from hyperspectral images aims to identify the spectral signatures of materials present in a scene. Recent studies have shown that self-dictionary methods can achieve high extraction accuracy; however, their high computational cost limits their applicability to large-scale hyperspectral images. Although several approaches have been proposed to mitigate this issue, it remains a major challenge. Motivated by this situation, this paper pursues a data reduction approach. Assuming that the hyperspectral image follows the linear mixing model with the pure-pixel assumption, we develop a data reduction technique that removes pixels that do not contain endmembers. We analyze the theoretical properties of this reduction step and show that it preserves pixels that lie close to the endmembers. Building on this result, we propose a data-reduced self-dictionary method that integrates the data reduction with a self-dictionary method based on a linear programming formulation. Numerical experiments demonstrate that the proposed method can substantially reduce the computational time of the original self-dictionary method without sacrificing endmember extraction accuracy.
• Abstract（参考訳）: ハイパースペクトル画像からの終端抽出は、シーンに存在する材料のスペクトルシグネチャを特定することを目的としている。 近年の研究では、自己辞書法は高い抽出精度を達成できることが示されているが、その高い計算コストは大規模ハイパースペクトル画像に適用可能であることを示唆している。 この問題を軽減するためにいくつかのアプローチが提案されているが、依然として大きな課題である。 この状況に触発された本論文は,データ削減手法を追求する。 超スペクトル像が純画素仮定で線形混合モデルに従うと仮定すると、終端成分を含まない画素を除去するデータ還元手法を開発する。 この還元過程の理論的性質を解析し、終端近傍にある画素を保存していることを示す。 この結果に基づいて、線形プログラミングの定式化に基づく自己辞書法とデータ還元を統合したデータ還元自己辞書法を提案する。 数値実験により, 提案手法は, 終端抽出精度を犠牲にすることなく, 元の自己辞書手法の計算時間を著しく短縮できることを示した。

関連論文リスト

• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Score-Based Turbo Message Passing for Plug-and-Play Compressive Image Recovery [24.60447255507278]
  オフ・ザ・シェルフのイメージ・デノイザは概して、一般的なまたは手作りの先駆者に依存している。 我々は, スコアベース最小二乗誤差(MMSE)デノイザを統合した, 圧縮画像復元のためのメッセージパッシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-28T04:30:58Z)
• Integrating Generative and Physics-Based Models for Ptychographic Imaging with Uncertainty Quantification [0.0]
  Ptychographyは、走査コヒーレントな回折イメージング技術であり、拡張サンプルのナノメートル規模の特徴を撮像することができる。 本稿では,近隣のスキャン位置間の重複を少なくしながらも効果的に機能するptychographyのベイズ逆解析法を提案する。
  論文  参考訳（メタデータ） (2024-12-14T16:16:37Z)
• Endmember Extraction from Hyperspectral Images Using Self-Dictionary Approach with Linear Programming [0.0]
  ハイパースペクトルイメージング技術を利用するための重要なステップは、観察シーンにおける材料のスペクトルシグネチャを特定することを目的とした、エンドメンバー抽出である。 理論的には、Hottopixx法として知られる線形プログラミング(LP)を用いた自己辞書的手法が、エンドメンバーの抽出に有効であることが示唆されている。 本稿では,計算時間を短縮し,終端抽出性能を向上させるために,Hottopixxの強化実装を提案する。
  論文  参考訳（メタデータ） (2024-04-19T07:28:51Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
  本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。 提案手法は, 十分次元還元法の非パラメトリック一般化である。 推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
  論文  参考訳（メタデータ） (2020-06-10T14:47:43Z)
• Learning regularization and intensity-gradient-based fidelity for single image super resolution [0.0]
  画像劣化の進行について検討し、強度と勾配空間の両方で劣化モデルを確立する。 復元には包括的データ一貫性制約が設定される。 提案した忠実度項と設計された正規化項は正規化フレームワークに組み込まれる。
  論文  参考訳（メタデータ） (2020-03-24T07:03:18Z)

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。