論文の概要: Learnable Quantum Efficiency Filters for Urban Hyperspectral Segmentation

• arxiv url: http://arxiv.org/abs/2603.26528v1
• Date: Fri, 27 Mar 2026 15:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.572613
• Title: Learnable Quantum Efficiency Filters for Urban Hyperspectral Segmentation
• Title（参考訳）: 都市のハイパースペクトルセグメンテーションのための学習可能な量子効率フィルタ
• Authors: Imad Ali Shah, Jiarong Li, Ethan Delaney, Enda Ward, Martin Glavin, Edward Jones, Brian Deegan,
• Abstract要約: 学習可能な量子効率(LQE)は、物理学に着想を得た、解釈可能な次元減少法である。 LQEは、単一支配的なピーク、スムーズな応答、有界帯域幅を含む、物理的に動機付けられた制約を強制する。 我々は,3つの公用ハイパースペクトル都市運転データセットを体系的に評価する。
• 参考スコア（独自算出の注目度）: 3.2693877724263736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral sensing provides rich spectral information for scene understanding in urban driving, but its high dimensionality poses challenges for interpretation and efficient learning. We introduce Learnable Quantum Efficiency (LQE), a physics-inspired, interpretable dimensionality reduction (DR) method that parameterizes smooth high-order spectral response functions that emulate plausible sensor quantum efficiency curves. Unlike conventional methods or unconstrained learnable layers, LQE enforces physically motivated constraints, including a single dominant peak, smooth responses, and bounded bandwidth. This formulation yields a compact spectral representation that preserves discriminative information while remaining fully differentiable and end-to-end trainable within semantic segmentation models (SSMs). We conduct systematic evaluations across three publicly available multi-class hyperspectral urban driving datasets, comparing LQE against six conventional and seven learnable baseline DR methods across six SSMs. Averaged across all SSMs and configurations, LQE achieves the highest average mIoU, improving over conventional methods by 2.45\%, 0.45\%, and 1.04\%, and over learnable methods by 1.18\%, 1.56\%, and 0.81\% on HyKo, HSI-Drive, and Hyperspectral City, respectively. LQE maintains strong parameter efficiency (12--36 parameters compared to 51--22K for competing learnable approaches) and competitive inference latency. Ablation studies show that low-order configurations are optimal, while the learned spectral filters converge to dataset-intrinsic wavelength patterns. These results demonstrate that physics-informed spectral learning can improve both performance and interpretability, providing a principled bridge between hyperspectral perception and data-driven multispectral sensor design for automotive vision systems.
• Abstract（参考訳）: ハイパースペクトルセンシングは、都市運転におけるシーン理解のための豊富なスペクトル情報を提供するが、その高次元性は解釈と効率的な学習の課題を提起する。 本稿では,可塑性センサ量子効率曲線をエミュレートするスムーズな高次スペクトル応答関数をパラメータ化する物理に着想を得た,解釈可能な次元性低減法であるLearnerable Quantum efficiency (LQE)を紹介する。 従来の方法や制約のない学習可能なレイヤとは異なり、LQEは単一支配的なピーク、スムーズな応答、有界帯域幅を含む物理的に動機づけられた制約を強制する。 この定式化は、識別情報を保存しつつ、意味的セグメンテーションモデル(SSM)内で完全に微分可能でエンドツーエンドのトレーニングが可能なコンパクトなスペクトル表現をもたらす。 我々は、LQEを従来の6つのベースラインDR法と学習可能な7つのベースラインDR法と比較し、利用可能な3つのマルチクラスハイパースペクトル都市運転データセットを体系的に評価する。 LQEは、すべてのSSMと構成の平均で、平均平均mIoUを達成し、従来の手法よりも2.45\%、0.45\%、1.04\%、学習可能な方法よりも1.18\%、 1.56\%、および0.81\%、HyKo、HSI-Drive、Hyperspectral Cityをそれぞれ改善している。 LQEは強力なパラメータ効率(51-22Kに比べて12-36パラメータ)と競合する推論遅延を維持している。 アブレーション研究では、低次配置が最適であることを示し、学習されたスペクトルフィルタはデータセット固有の波長パターンに収束する。 これらの結果から,物理インフォームドスペクトル学習は,高スペクトル知覚とデータ駆動型多スペクトルセンサ設計の原理的橋渡しとして,性能と解釈性の両方を向上できることが示唆された。

関連論文リスト

• Spectral Gating Networks [65.9496901693099]
  我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。 SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。 計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-07T20:00:49Z)
• Knowledge Distillation for mmWave Beam Prediction Using Sub-6 GHz Channels [18.712418156283437]
  本稿では,知識蒸留(KD)技術に基づくサブ6GHzチャネル-mmWaveビームマッピングのためのフレームワークを提案する。 提案モデルでは,教師のビーム予測精度とスペクトル効率を向上し,学習可能なパラメータと計算複雑性を99%削減した。
  論文  参考訳（メタデータ） (2026-02-04T16:15:32Z)
• DSXFormer: Dual-Pooling Spectral Squeeze-Expansion and Dynamic Context Attention Transformer for Hyperspectral Image Classification [4.361601680177976]
  DSXFormerは、HSICのための動的コンテキストアテンションを備えた新しいデュアルプール式圧縮膨張トランスである。 最先端の手法を一貫して上回り、それぞれ99.95%、98.91%、99.85%、98.52%の分類精度を達成している。
  論文  参考訳（メタデータ） (2026-02-02T10:12:18Z)
• MEPT: Mixture of Expert Prompt Tuning as a Manifold Mapper [75.6582687942241]
  本稿では,Mixture of Expert Prompt Tuning (MEPT) を効果的かつ効率的な多様体マッピングフレームワークとして提案する。 MEPTは複数のプロンプト専門家を統合し、多様な非定常データ分布を適応的に学習する。 経験的評価により、MEPTはSuperGLUE上でいくつかの最先端パラメータの効率的なベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-31T21:19:25Z)
• Multi-Scale Spectral Attention Module-based Hyperspectral Segmentation in Autonomous Driving Scenarios [3.437245452211197]
  本稿では,スペクトル特徴抽出を強化したマルチスケール分光アテンションモジュール(MSAM)を提案する。 MSAMをUNetのスキップ接続(UNet-SC)に統合することにより,提案したUNet-MSAMはセマンティックセグメンテーション性能を大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-23T14:24:20Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• Reliable Explainability of Deep Learning Spatial-Spectral Classifiers for Improved Semantic Segmentation in Autonomous Driving [1.474723404975345]
  ハイパースペクトル画像(HSI)とディープニューラルネットワーク(DNN)は、インテリジェントビジョンシステムの精度を高めることができる。 このような安全クリティカルシステムの研究を進めるためには、複雑なDNNの出力に対するスペクトル情報の正確な寄与を決定する必要がある。 入力特徴と予測の関係をよりよく把握するために、関連するDNN層からのアクティベーションと重みによるデータを活用する方法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T10:11:27Z)
• Q-SCALE: Quantum computing-based Sensor Calibration for Advanced Learning and Efficiency [1.2564343689544841]
  本稿では,Deep Learning (DL) やQuantum Machine Learning (QML) といった先進的な手法を用いて,安価な光学ファインダストセンサの校正プロセスについて検討する。 プロジェクトの目的は、古典的領域と量子的領域の両方の洗練された4つのアルゴリズムを比較し、それらの格差を識別し、都市大気質監視における粒子状物質測定の精度と信頼性を改善するための代替アプローチを検討することである。
  論文  参考訳（メタデータ） (2024-10-03T21:15:05Z)

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。