論文の概要: mHC-HSI: Clustering-Guided Hyper-Connection Mamba for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2603.03418v1
- Date: Tue, 03 Mar 2026 18:56:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.050284
- Title: mHC-HSI: Clustering-Guided Hyper-Connection Mamba for Hyperspectral Image Classification
- Title（参考訳）: mHC-HSI:ハイパースペクトル画像分類のためのクラスタリングガイド型ハイパーコネクションマンバ
- Authors: Yimin Zhu, Zack Dewis, Quinn Ledingham, Saeid Taleghanidoozdoozan, Mabel Heffring, Zhengsen Xu, Motasem Alkayid, Megan Greenwood, Lincoln Linlin Xu,
- Abstract要約: 本稿では,HSI分類の強化を目的としたクラスタリング誘導mHCマンバモデル(CalgarymHC-HSI)を提案する。
提案手法は、最先端の手法と比較してベンチマークデータセットで検証される。
- 参考スコア（独自算出の注目度）: 2.3379613890114395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, DeepSeek has invented the manifold-constrained hyper-connection (mHC) approach which has demonstrated significant improvements over the traditional residual connection in deep learning models \cite{xie2026mhc}. Nevertheless, this approach has not been tailor-designed for improving hyperspectral image (HSI) classification. This paper presents a clustering-guided mHC Mamba model (mHC-HSI) for enhanced HSI classification, with the following contributions. First, to improve spatial-spectral feature learning, we design a novel clustering-guided Mamba module, based on the mHC framework, that explicitly learns both spatial and spectral information in HSI. Second, to decompose the complex and heterogeneous HSI into smaller clusters, we design a new implementation of the residual matrix in mHC, which can be treated as soft cluster membership maps, leading to improved explainability of the mHC approach. Third, to leverage the physical spectral knowledge, we divide the spectral bands into physically-meaningful groups and use them as the "parallel streams" in mHC, leading to a physically-meaningful approach with enhanced interpretability. The proposed approach is tested on benchmark datasets in comparison with the state-of-the-art methods, and the results suggest that the proposed model not only improves the accuracy but also enhances the model explainability. Code is available here: https://github.com/GSIL-UCalgary/mHC_HyperSpectral
- Abstract（参考訳）: 近年、DeepSeekは、ディープラーニングモデル \cite{xie2026mhc} における従来の残差接続よりも大幅に改善された、多様体制約型ハイパーコネクション(mHC)アプローチを考案した。
それにもかかわらず、このアプローチはハイパースペクトル画像(HSI)分類を改善するために設計されていない。
本稿では,HSI分類の強化を目的としたクラスタリング誘導型mHCマンバモデル(mHC-HSI)を提案する。
まず、空間スペクトルの特徴学習を改善するために、mHCフレームワークに基づく新しいクラスタリング誘導型マンバモジュールを設計し、HSIにおける空間情報とスペクトル情報の両方を明示的に学習する。
第二に、複雑で異種なHSIを小さなクラスタに分解するために、我々はmHCの残留行列の新たな実装を設計し、ソフトクラスタのメンバシップマップとして扱えるようにし、mHCアプローチの説明性を改善した。
第三に、スペクトルの知識を活用するために、スペクトルバンドを物理的に有意なグループに分割し、それらをmHCの「並列ストリーム」として使用し、解釈可能性を高める物理的に有意なアプローチへと導いた。
提案手法は,最先端の手法と比較してベンチマークデータセットで検証され,提案手法は精度を向上するだけでなく,モデル説明可能性を向上させることが示唆された。
コードはここにある。 https://github.com/GSIL-UCalgary/mHC_HyperSpectral
関連論文リスト
- JPmHC Dynamical Isometry via Orthogonal Hyper-Connections [2.4311915994390403]
JPmHCは、n個の並列ストリームに作用するトレーニング可能な線形ミキサーでIDスキップを置き換えるフレームワークである。
緩やかな病理を予防し、安定性を高める。
両眼的ベースラインに比べて、より高速な収束、高い精度、計算コストの低減を実現している。
論文 参考訳（メタデータ） (2026-02-20T16:06:01Z) - 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、ラベル付きデータを持たないクラスタにピクセルをグループ化する。
ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。
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) - MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification [46.67137351665963]
マンバをベースとしたモデルは、最近ハイパースペクトル画像(HSI)分類において有意な可能性を証明している。
我々は,HSI分類領域における最初のMoEに基づくアプローチである,スペクトル空間混合(MoE)フレームワークであるMambaMoEを提案する。
MambaMoEは、既存の高度な手法と比較して、分類精度と計算効率の両面で最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-04-29T07:50:36Z) - Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。
既存のSHGLメソッドには2つの大きな制限がある。
ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2024-12-01T09:33:20Z) - Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:59:51Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。
提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文 参考訳（メタデータ） (2024-04-10T15:51:46Z) - 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) - Multiview Subspace Clustering of Hyperspectral Images based on Graph
Convolutional Networks [12.275530282665578]
本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。
このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。
合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
論文 参考訳（メタデータ） (2024-03-03T10:19:18Z) - Contrastive Multi-view Subspace Clustering of Hyperspectral Images based
on Graph Convolutional Networks [14.978666092012856]
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のクラスタリングに有効なアプローチである。
本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。
提案手法は,HSIのクラスタリング精度を効果的に向上する。
論文 参考訳（メタデータ） (2023-12-11T02:22:10Z) - 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) - Graph Convolutional Subspace Clustering: A Robust Subspace Clustering
Framework for Hyperspectral Image [6.332208511335129]
本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。
具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。
従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
論文 参考訳（メタデータ） (2020-04-22T10:09:19Z)
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。