論文の概要: MiSiSUn: Minimum Simplex Semisupervised Unmixing

• arxiv url: http://arxiv.org/abs/2603.20263v1
• Date: Fri, 13 Mar 2026 09:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.948946
• Title: MiSiSUn: Minimum Simplex Semisupervised Unmixing
• Title（参考訳）: MiSiSUn: 最小限のシンプルな半教師なしアンミックス
• Authors: Behnood Rasti, Bikram Koirala, Paul Scheunders,
• Abstract要約: 本稿では,最小単純半教師付きアンミキシング (MiSiSUn) と呼ばれる半教師付き幾何学的アンミキシング手法を提案する。 古文書解析型線形モデルに基づいて, 単純なx-volume-flavored ペナルティを用いて, データの幾何学をライブラリベースのアンミックスに初めて組み込んだ。 MiSiSUnは最先端の半教師なしアンミックス法よりかなり優れている。
• 参考スコア（独自算出の注目度）: 3.491999371287298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a semisupervised geometric unmixing approach called minimum simplex semisupervised unmixing (MiSiSUn). The geometry of the data was incorporated for the first time into library-based unmixing using a simplex-volume-flavored penalty based on an archetypal analysis-type linear model. The experimental results were performed on two simulated datasets considering different levels of mixing ratios and spatial instruction at varying input noise. MiSiSUn considerably outperforms state-of-the-art semisupervised unmixing methods. The improvements vary from 1 dB to over 3 dB in different scenarios. The proposed method was also applied to a real dataset where visual interpretation is close to the geological map. MiSiSUn was implemented using PyTorch, which is open-source and available at https://github.com/BehnoodRasti/MiSiSUn. Moreover, we provide a dedicated Python package for Semisupervised Unmixing, which is open-source and includes all the methods used in the experiments for the sake of reproducibility.
• Abstract（参考訳）: 本稿では,最小単純半教師付きアンミキシング (MiSiSUn) と呼ばれる半教師付き幾何学的アンミキシング手法を提案する。 古文書解析型線形モデルに基づいて, 単純なx-volume-flavored ペナルティを用いて, データの幾何学をライブラリベースのアンミックスに初めて組み込んだ。 入力雑音の異なる混合比と空間的指示のレベルを考慮した2つの模擬データセットを用いて実験を行った。 MiSiSUnは最先端の半教師なしアンミックス法よりかなり優れている。 改善点は、異なるシナリオで1dBから3dB以上まで様々である。 提案手法は,地質図に近い視覚的解釈を行う実際のデータセットにも適用された。 MiSiSUnはPyTorchを使って実装され、https://github.com/BehnoodRasti/MiSiSUnで入手できる。 さらに、我々はSemisupervised Unmixing専用のPythonパッケージを提供し、これはオープンソースであり、再現性のために実験で使われるすべてのメソッドを含んでいる。

関連論文リスト

• Gaussian Mixture based Evidential Learning for Stereo Matching [20.143918649298424]
  本フレームワークは,ステレオマッチングにおいて,個々の画像データが混合ガウス分布に従属することを示す。 提案手法は、ドメイン内検証データとクロスドメインデータセットの両方に対して、最先端の新たな結果を得た。
  論文  参考訳（メタデータ） (2024-08-05T19:23:45Z)
• Mixture-Models: a one-stop Python Library for Model-based Clustering using various Mixture Models [4.60168321737677]
  textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。 様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。 このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
  論文  参考訳（メタデータ） (2024-02-08T19:34:24Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package [80.11512905623417]
  アンミキシングは、ピクセル内のエンドメンバーの分数量を推定する。 本稿では,先進的および従来型のアンミックス手法の概要について述べる。 シミュレーションされた3つのデータセットと2つの実際のデータセット上でのアンミックス手法の性能を比較した。
  論文  参考訳（メタデータ） (2023-08-18T08:10:41Z)
• Manifold DivideMix: A Semi-Supervised Contrastive Learning Framework for Severe Label Noise [4.90148689564172]
  実世界のデータセットには、データセットのどのクラスにも意味のないノイズの多いラベルサンプルが含まれている。 最先端の手法の多くは、IDラベル付きノイズサンプルを半教師付き学習のためのラベルなしデータとして利用する。 自己指導型トレーニングの利点を生かして,すべてのトレーニングデータからの情報を活用することを提案する。
  論文  参考訳（メタデータ） (2023-08-13T23:33:33Z)
• SUnAA: Sparse Unmixing using Archetypal Analysis [62.997667081978825]
  本稿では, 古細菌スパルス解析(SUnAA)を用いた新しい地質学的エラーマップ手法を提案する。 まず,古細菌スパース解析(SunAA)に基づく新しいモデルの設計を行う。
  論文  参考訳（メタデータ） (2023-08-09T07:58:33Z)
• CoSMix: Compositional Semantic Mix for Domain Adaptation in 3D LiDAR Segmentation [62.259239847977014]
  我々は,点雲UDA,すなわちコンポジション・セマンティック・ミックス(CoSMix)に対する試料混合の新しい手法を提案する。 CoSMixは2分岐対称ネットワークで構成されており、ラベル付き合成データ(ソース)と現実世界の非競合点雲(ターゲット)を同時に処理することができる。 我々はCoSMixを2つの大規模データセット上で評価し、最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2022-07-20T09:33:42Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)

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。