論文の概要: LGEST: Dynamic Spatial-Spectral Expert Routing for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2603.24045v1
• Date: Wed, 25 Mar 2026 07:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.197046
• Title: LGEST: Dynamic Spatial-Spectral Expert Routing for Hyperspectral Image Classification
• Title（参考訳）: LGEST:ハイパースペクトル画像分類のための動的空間スペクトルエキスパートルーティング
• Authors: Jiawen Wen, Suixuan Qiu, Zihang Luo, Xiaofei Yang, Haotian Shi,
• Abstract要約: Local-Global Expert Spatial-Spectral Transformer (LGEST)は、3つの重要なイノベーションを組み合わせた新しいフレームワークである。 LGESTは、4つのベンチマークデータセットの実験において、最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 2.866506214681715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods, including Convolutional Neural Networks, Transformers and Mamba, have achieved remarkable success in hyperspectral image (HSI) classification. Nevertheless, existing methods exhibit inflexible integration of local-global representations, inadequate handling of spectral-spatial scale disparities across heterogeneous bands, and susceptibility to the Hughes phenomenon under high-dimensional sample heterogeneity. To address these challenges, we propose Local-Global Expert Spatial-Spectral Transformer (LGEST), a novel framework that synergistically combines three key innovations. The LGEST first employs a Deep Spatial-Spectral Autoencoder (DSAE) to generate compact yet discriminative embeddings through hierarchical nonlinear compression, preserving 3D neighborhood coherence while mitigating information loss in high-dimensional spaces. Secondly, a Cross-Interactive Mixed Expert Feature Pyramid (CIEM-FPN) leverages cross-attention mechanisms and residual mixture-of-experts layers to dynamically fuse multi-scale features, adaptively weighting spectral discriminability and spatial saliency through learnable gating functions. Finally, a Local-Global Expert System (LGES) processes decomposed features via sparsely activated expert pairs: convolutional sub-experts capture fine-grained textures, while transformer sub-experts model long-range contextual dependencies, with a routing controller dynamically selecting experts based on real-time feature saliency. Extensive experiments on four benchmark datasets demonstrate that LGEST consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: Convolutional Neural Networks、Transformers、Mambaといったディープラーニング手法は、ハイパースペクトル画像(HSI)分類において顕著に成功している。 それにもかかわらず、既存の手法では、局所-グローバル表現の非フレキシブルな統合、不均一帯におけるスペクトル-空間スケールの分散の不十分なハンドリング、高次元サンプルの不均一性の下でのヒューズ現象への感受性を示す。 これらの課題に対処するため、我々は3つの重要なイノベーションを相乗的に組み合わせた新しいフレームワークであるローカル・グローバル・エキスパート空間スペクトル変換器(LGEST)を提案する。 LGESTは、まずDeep Space-Spectral Autoencoder (DSAE)を用いて、階層的非線形圧縮によりコンパクトで差別的な埋め込みを生成し、高次元空間における情報損失を軽減しつつ、3D近傍のコヒーレンスを保存する。 第2に、CIEM-FPN(Cross-Interactive Mixed Expert Feature Pyramid)は、クロスアテンション機構と残留混合層を利用して、マルチスケールの特徴を動的に融合させ、学習可能なゲーティング機能を通じてスペクトル識別性と空間塩分を適応的に重み付けする。 畳み込みサブエキスパートはきめ細かなテクスチャをキャプチャし、トランスフォーマーサブエキスパートは長距離コンテキスト依存をモデルとし、ルーティングコントローラはリアルタイム機能サプライアンスに基づいてエキスパートを動的に選択する。 4つのベンチマークデータセットに対する大規模な実験により、LGESTは最先端の手法を一貫して上回っていることが示された。

関連論文リスト

• 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
  3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。 その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。 既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。 本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
  論文  参考訳（メタデータ） (2026-03-08T11:16:30Z)
• SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration [23.475659268865186]
  SLER-IRは、ネットワーク層にまたがる特殊な専門家を活性化する球面的なレイヤーワイド・エキスパート・ルーティング・フレームワークである。 信頼性の高いルーティングを保証するため,Spherical Uniform Degradation Embedding with contrastive learningを導入する。 Global-Local Granularity Fusionモジュールは、空間的非一様分解に対処するために、グローバルセマンティクスと局所分解キューを統合する。
  論文  参考訳（メタデータ） (2026-03-06T06:16:57Z)
• DiffFormer: a Differential Spatial-Spectral Transformer for Hyperspectral Image Classification [3.271106943956333]
  超スペクトル画像分類(HSIC)は、高次元データをスペクトル情報と空間情報で分析する可能性から注目されている。 本稿では、スペクトル冗長性や空間不連続性といったHSICの固有の課題に対処するために、差分空間スペクトル変換器(DiffFormer)を提案する。 ベンチマークハイパースペクトルデータセットの実験は、分類精度、計算効率、一般化可能性の観点から、DiffFormerの優位性を示す。
  論文  参考訳（メタデータ） (2024-12-23T07:21:41Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• CMTNet: Convolutional Meets Transformer Network for Hyperspectral Images Classification [3.821081081400729]
  現在の畳み込みニューラルネットワーク(CNN)は、ハイパースペクトルデータの局所的な特徴に焦点を当てている。 Transformerフレームワークは、ハイパースペクトル画像からグローバルな特徴を抽出する。 本研究は、CMTNet(Convolutional Meet Transformer Network)を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T07:56:51Z)
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。 さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Hybrid Spectral Denoising Transformer with Guided Attention [34.34075175179669]
  ハイブリットスペクトルデノナイジング用ハイブリットスペクトルデノナイジングトランス(HSDT)を提案する。 我々のHSDTは、計算オーバーヘッドを低く保ちながら、既存の最先端手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-03-16T02:24:31Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。