論文の概要: Spectral Property-Driven Data Augmentation for Hyperspectral Single-Source Domain Generalization

• arxiv url: http://arxiv.org/abs/2603.16662v1
• Date: Tue, 17 Mar 2026 15:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.374239
• Title: Spectral Property-Driven Data Augmentation for Hyperspectral Single-Source Domain Generalization
• Title（参考訳）: ハイパースペクトル単一ソース領域一般化のためのスペクトル特性駆動データ拡張
• Authors: Taiqin Chen, Yifeng Wang, Xiaochen Feng, Zhilin Zhu, Hao Sha, Yingjian Li, Yongbing Zhang,
• Abstract要約: ハイパースペクトル画像は、分類のための豊富な情報を提供する多くのスペクトルチャネルの恩恵を受ける。 次元の増大とセンサーの変動により、ドメイン間の分布の差異に敏感になる。 本研究では, スペクトル特性駆動型データ拡張法(SPDDA)を提案する。
• 参考スコア（独自算出の注目度）: 13.335941336922446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While hyperspectral images (HSI) benefit from numerous spectral channels that provide rich information for classification, the increased dimensionality and sensor variability make them more sensitive to distributional discrepancies across domains, which in turn can affect classification performance. To tackle this issue, hyperspectral single-source domain generalization (SDG) typically employs data augmentation to simulate potential domain shifts and enhance model robustness under the condition of single-source domain training data availability. However, blind augmentation may produce samples misaligned with real-world scenarios, while excessive emphasis on realism can suppress diversity, highlighting a tradeoff between realism and diversity that limits generalization to target domains. To address this challenge, we propose a spectral property-driven data augmentation (SPDDA) that explicitly accounts for the inherent properties of HSI, namely the device-dependent variation in the number of spectral channels and the mixing of adjacent channels. Specifically, SPDDA employs a spectral diversity module that resamples data from the source domain along the spectral dimension to generate samples with varying spectral channels, and constructs a channel-wise adaptive spectral mixer by modeling inter-channel similarity, thereby avoiding fixed augmentation patterns. To further enhance the realism of the augmented samples, we propose a spatial-spectral co-optimization mechanism, which jointly optimizes a spatial fidelity constraint and a spectral continuity self-constraint. Moreover, the weight of the spectral self-constraint is adaptively adjusted based on the spatial counterpart, thus preventing over-smoothing in the spectral dimension and preserving spatial structure. Extensive experiments conducted on three remote sensing benchmarks demonstrate that SPDDA outperforms state-of-the-art methods.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)は、分類のための豊富な情報を提供する多くのスペクトルチャネルの恩恵を受けるが、次元性やセンサーの多様性の増大により、ドメイン間の分布の差異に敏感になり、分類性能に影響を及ぼす。 この問題に対処するために、ハイパースペクトル単一ソースドメイン一般化(SDG)は通常、データ拡張を使用して潜在的なドメインシフトをシミュレートし、単一ソースドメイントレーニングデータ可用性の条件下でモデルの堅牢性を高める。 しかし、ブラインド増強は現実世界のシナリオと不一致のサンプルを生み出すかもしれないが、現実主義に過度に重点を置くと多様性が抑制され、現実主義と多様性のトレードオフが強調され、対象領域への一般化が制限される。 この課題に対処するために、スペクトル特性駆動型データ拡張(SPDDA)を提案する。 具体的には、SPDDAは、スペクトル領域のデータをスペクトル次元に沿って再サンプリングし、異なるスペクトルチャネルを持つサンプルを生成し、チャネル間の類似性をモデル化してチャネルワイド適応スペクトルミキサを構築し、固定された拡張パターンを避ける。 拡張サンプルの現実性をさらに高めるために,空間忠実度制約とスペクトル連続性自己制約を協調的に最適化する空間スペクトル共最適化機構を提案する。 さらに、スペクトル自己拘束の重みは、空間的制約に基づいて適応的に調整され、スペクトル次元の過度な平滑化を防止し、空間構造を保存する。 3つのリモートセンシングベンチマークで実施された大規模な実験は、SPDDAが最先端の手法より優れていることを示した。

関連論文リスト

• Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts [26.40090723572808]
  スペクトルリモートセンシングにおけるドメイン一般化セマンティック(DGSS)は、様々な取得条件のスペクトルシフトによって深刻な課題となる。 本稿では,DGSSのための新しいPEFTフレームワークであるSpectralMoEを提案する。
  論文  参考訳（メタデータ） (2026-03-08T04:53:05Z)
• SR$^{2}$-Net: A General Plug-and-Play Model for Spectral Refinement in Hyperspectral Image Super-Resolution [3.4888894498274747]
  HSI-SRは、スペクトル的に忠実で物理的に妥当な特性を維持しながら、空間分解能を高めることを目的としている。 これらの方法はしばしばバンド間のスペクトルの一貫性を無視し、刺激的な振動と物理的に不可解な人工物をもたらす。 本稿では,この問題に対処するための軽量なプラグ・アンド・プレイ方式であるSpectral Rectification Super-Resolution Network (SR$2$-Net)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T07:00:00Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Learning Exhaustive Correlation for Spectral Super-Resolution: Where Spatial-Spectral Attention Meets Linear Dependence [26.1694389791047]
  スペクトル超解像は、容易に取得可能なRGB画像からハイパースペクトル像(HSI)を復元することを目的としている。 既存のTransformerのボトルネックは2種類あり、パフォーマンスの改善と実用性に制限がある。 スペクトル超解像のための新しい Exhaustive correlation Transformer (ECT) を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:30:07Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)

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。