論文の概要: Unbalanced Optimal Transport Dictionary Learning for Unsupervised Hyperspectral Image Clustering

• arxiv url: http://arxiv.org/abs/2603.10132v1
• Date: Tue, 10 Mar 2026 18:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.648426
• Title: Unbalanced Optimal Transport Dictionary Learning for Unsupervised Hyperspectral Image Clustering
• Title（参考訳）: 教師なしハイパースペクトル画像クラスタリングのための不均衡最適輸送辞書学習
• Authors: Joshua Lentz, Nicholas Karris, Alex Cloninger, James M. Murphy,
• Abstract要約: ハイパースペクトル画像は、シーンに関する大量の高次元のスペクトル情報をキャプチャする。 クラスタの教師なし学習は、シーンの自動セグメンテーションを可能にする。 本稿では,不均衡なワッサーシュタイン・バリセンタを利用することにより,このアプローチを改善することを提案する。
• 参考スコア（独自算出の注目度）: 3.0157216556836164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral images capture vast amounts of high-dimensional spectral information about a scene, making labeling an intensive task that is resistant to out-of-the-box statistical methods. Unsupervised learning of clusters allows for automated segmentation of the scene, enabling a more rapid understanding of the image. Partitioning the spectral information contained within the data via dictionary learning in Wasserstein space has proven an effective method for unsupervised clustering. However, this approach requires balancing the spectral profiles of the data, blurring the classes, and sacrificing robustness to outliers and noise. In this paper, we suggest improving this approach by utilizing unbalanced Wasserstein barycenters to learn a lower-dimensional representation of the underlying data. The deployment of spectral clustering on the learned representation results in an effective approach for the unsupervised learning of labels.
• Abstract（参考訳）: ハイパースペクトル画像はシーンに関する大量の高次元のスペクトル情報をキャプチャし、アウト・オブ・ザ・ボックスの統計手法に耐性のある集中的なタスクをラベル付けする。 クラスタの教師なし学習はシーンの自動セグメンテーションを可能にし、画像のより迅速な理解を可能にする。 ワッサーシュタイン空間における辞書学習を通してデータに含まれるスペクトル情報を分割することは、教師なしクラスタリングに有効な方法であることが証明されている。 しかし、このアプローチでは、データのスペクトルプロファイルのバランスをとり、クラスを曖昧にし、外れ値とノイズにロバストさを犠牲にする必要がある。 本稿では,不均衡なワッサースタイン・バリセンタを用いて,基礎となるデータの低次元表現を学習することにより,このアプローチを改善することを提案する。 スペクトルクラスタリングの学習表現への展開は、ラベルの教師なし学習に効果的なアプローチをもたらす。

関連論文リスト

• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Semi-Supervised Learning for hyperspectral images by non parametrically predicting view assignment [25.198550162904713]
  ハイパースペクトル画像(HSI)分類は、画像中のスペクトル情報が高いため、現在、多くの勢いを増している。 近年,ラベル付きサンプルを最小限に抑えたディープラーニングモデルを効果的に訓練するために,ラベル付きサンプルも自己教師付きおよび半教師付き設定で活用されている。 本研究では,半教師付き学習の概念を利用して,モデルの識別的自己教師型事前学習を支援する。
  論文  参考訳（メタデータ） (2023-06-19T14:13:56Z)
• Transfer Learning Application of Self-supervised Learning in ARPES [12.019651078748236]
  角度分解型光電子分光法(ARPES)の開発には、試料の空間分解が関与する。 その1つは、同様の分散カットをラベル付けして空間的にマッピングすることである。 そこで本研究では,k-meansクラスタリングと組み合わせた表現型学習モデルの最近の発展が,データ解析のその部分を自動化することを実証する。
  論文  参考訳（メタデータ） (2022-08-23T11:58:05Z)
• Unsupervised Deep Discriminant Analysis Based Clustering [32.58744484647704]
  この研究はクラスタリングのための教師なしの深層判別分析を示す。 この手法はディープニューラルネットワークに基づいており、クラスタ内不一致を最小限に抑え、クラスタ間不一致を教師なしの方法で最大化することを目的としている。
  論文  参考訳（メタデータ） (2022-06-09T04:35:25Z)
• Dictionary learning for clustering on hyperspectral images [0.5584060970507506]
  本稿では,代表辞書から計算したスパース係数を特徴として,ハイパースペクトル画像の画素をクラスタリングする方法を提案する。 提案手法は,元のピクセルのクラスタリングよりも効果的に動作することを示す。
  論文  参考訳（メタデータ） (2022-02-02T12:22:33Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)
• Unsupervised Image Classification for Deep Representation Learning [42.09716669386924]
  埋め込みクラスタリングを使わずに、教師なしのイメージ分類フレームワークを提案する。 提案手法の有効性を証明するために,ImageNetデータセットの実験を行った。
  論文  参考訳（メタデータ） (2020-06-20T02:57:06Z)
• Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
  人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。 2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-07T17:16:41Z)

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。