論文の概要: Polyhedral Unmixing: Bridging Semantic Segmentation with Hyperspectral Unmixing via Polyhedral-Cone Partitioning

• arxiv url: http://arxiv.org/abs/2603.29438v1
• Date: Tue, 31 Mar 2026 08:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.362889
• Title: Polyhedral Unmixing: Bridging Semantic Segmentation with Hyperspectral Unmixing via Polyhedral-Cone Partitioning
• Title（参考訳）: ポリヘドラルアンミキシング:ポリヘドラル-コーン分割によるハイパースペクトルアンミキシングによるブリッジングセマンティックセマンティックセグメンテーション
• Authors: Antoine Bottenmuller, Etienne Decencière, Petr Dokládal,
• Abstract要約: 本稿では,意味的セグメンテーションからブラインドハイパースペクトルアンミックスを行う,直接セグメンテーション・トゥ・アンミックスパイプラインを提案する。 セグメンテーション法は自由に選択できるので、ユーザはアンミックスプロセスに対する明示的な制御を得る。 3つの実データを用いた実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 2.4851820343103035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation and hyperspectral unmixing are two central problems in spectral image analysis. The former assigns each pixel a discrete label corresponding to its material class, whereas the latter estimates pure material spectra, called endmembers, and, for each pixel, a vector representing material abundances in the observed scene. Despite their complementarity, these two problems are usually addressed independently. This paper aims to bridge these two lines of work by formally showing that, under the linear mixing model, pixel classification by dominant materials induces polyhedral-cone regions in the spectral space. We leverage this fundamental property to propose a direct segmentation-to-unmixing pipeline that performs blind hyperspectral unmixing from any semantic segmentation by constructing a polyhedral-cone partition of the space that best fits the labeled pixels. Signed distances from pixels to the estimated regions are then computed, linearly transformed via a change of basis in the distance space, and projected onto the probability simplex, yielding an initial abundance estimate. This estimate is used to extract endmembers and recover final abundances via matrix pseudo-inversion. Because the segmentation method can be freely chosen, the user gains explicit control over the unmixing process, while the rest of the pipeline remains essentially deterministic and lightweight. Beyond improving interpretability, experiments on three real datasets demonstrate the effectiveness of the proposed approach when associated with appropriate clustering algorithms, and show consistent improvements over recent deep and non-deep state-of-the-art methods. The code is available at: https://github.com/antoine-bottenmuller/polyhedral-unmixing
• Abstract（参考訳）: スペクトル画像解析におけるセマンティックセグメンテーションとハイパースペクトルアンミックスは2つの中心的な問題である。 前者は、各ピクセルに、その材料クラスに対応する離散ラベルを割り当て、後者は、エンドメンバーと呼ばれる純粋な物質スペクトルを推定し、各ピクセルに対して、観察されたシーンにおける材料量を表すベクトルを割り当てる。 その相補性にもかかわらず、これらの2つの問題は通常は独立して解決される。 本論文は, 線形混合モデルにより, 主成分による画素分類がスペクトル空間の多面体-円錐領域を誘導することを示すことによって, これら2つの研究線を橋渡しすることを目的としている。 この基本特性を利用して、ラベル付き画素に最もよく適合する空間の多面体-円錐分割を構築することにより、任意のセグメンテーションからブラインドハイパースペクトルアンミックスを行う、直接セグメンテーション-アンミックスパイプラインを提案する。 その後、画素から推定領域までの符号付き距離が計算され、距離空間の基底の変化によって線形に変換され、確率単純度に投影され、初期存在量推定が得られる。 この推定は、エンドメンバーを抽出し、行列擬似逆転法による最終アブリダンスを復元するために用いられる。 セグメンテーションメソッドは自由に選択できるため、ユーザーはアンミックスプロセスに対して明示的な制御を受け、残りのパイプラインは本質的に決定論的で軽量なままである。 解釈可能性の改善に加えて、3つの実際のデータセットの実験は、適切なクラスタリングアルゴリズムと関連付ける際に提案されたアプローチの有効性を示し、最近のディープ・オブ・ザ・アーティファクト・メソッドよりも一貫した改善を示している。 コードは以下の通り。 https://github.com/antoine-bottenmuller/polyhedral-unmixing

関連論文リスト

• Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds [49.95082206008502]
  ツリーを横断するアライメントは、画像とテキストのモダリティの両方に対してツリーのような階層的な特徴を構築し、調整する手法である。 本稿では,中間トランスフォーマー層からの視覚的クラストークンにクロスアテンション機構を適用した意味認識型視覚特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:15Z)
• Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
  ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。 評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
  論文  参考訳（メタデータ） (2024-07-22T01:20:32Z)
• Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
  3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。 入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。 修正EMアルゴリズム(Algo2)について詳述する。
  論文  参考訳（メタデータ） (2024-04-03T20:05:00Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing [1.14219428942199]
  画像境界を考慮した超画素分割アルゴリズムを用いて同質領域を抽出する。 まず、各スーパーピクセルの重み付きグラフを、各スーパーピクセルで$K$-nearest ピクセルを選択して構築する。 グラフラプラシア正規化を用いて空間的類似性を検討した。
  論文  参考訳（メタデータ） (2020-07-28T07:30:50Z)
• Efficient Clustering for Stretched Mixtures: Landscape and Optimality [4.2111286819721485]
  本稿では,2つの楕円分布の平衡混合から抽出された未ラベルのサンプルを受信する正準クラスタリング問題について考察する。 非最適クラスタリング関数は、サンプルサイズが一定の統計的目標を超えると、望ましい幾何学的性質を示す。
  論文  参考訳（メタデータ） (2020-03-22T17:57:07Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。