論文の概要: Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering

• arxiv url: http://arxiv.org/abs/2604.13307v1
• Date: Tue, 14 Apr 2026 21:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.303853
• Title: Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering
• Title（参考訳）: 教師なしハイパースペクトル画像クラスタリングのための深部空間規則化および超画素ベース拡散学習
• Authors: Vutichart Buranasiri, James M. Murphy,
• Abstract要約: ハイパースペクトル画像(HSI)クラスタリングのための教師なしフレームワークが提案されている。 拡散型クラスタリングを用いたマスク付き深層表現学習を提案する。 深部空間規則化スーパーピクセルベース拡散学習(DS2DL$)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.702642055407484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An unsupervised framework for hyperspectral image (HSI) clustering is proposed that incorporates masked deep representation learning with diffusion-based clustering, extending the Spatially-Regularized Superpixel-based Diffusion Learning ($S^2DL$) algorithm. Initially, a denoised latent representation of the original HSI is learned via an unsupervised masked autoencoder (UMAE) model with a Vision Transformer backbone. The UMAE takes spatial context and long-range spectral correlations into account and incorporates an efficient pretraining process via masking that utilizes only a small subset of training pixels. In the next stage, the entropy rate superpixel (ERS) algorithm is used to segment the image into superpixels, and a spatially regularized diffusion graph is constructed using Euclidean and diffusion distances within the compressed latent space instead of the HSI space. The proposed algorithm, Deep Spatially-Regularized Superpixel-based Diffusion Learning ($DS^2DL$), leverages more faithful diffusion distances and subsequent diffusion graph construction that better reflect the intrinsic geometry of the underlying data manifold, improving labeling accuracy and clustering quality. Experiments on Botswana and KSC datasets demonstrate the efficacy of $DS^2DL$.
• Abstract（参考訳）: 空間正規化スーパーピクセルベース拡散学習(S^2DL$)アルゴリズムを拡張し,拡散クラスタリングにマスク付き深層表現学習を組み込んだ非教師付きハイパースペクトル画像クラスタリング(HSI)フレームワークを提案する。 当初、元のHSIの識別された潜在表現は、ビジョントランスフォーマーのバックボーンを備えたunsupervised masked autoencoder (UMAE)モデルによって学習される。 UMAEは、空間的コンテキストと長距離スペクトルの相関を考慮に入れ、トレーニングピクセルの小さなサブセットのみを利用するマスキングによる効率的な事前学習プロセスを取り入れている。 次の段階では、エントロピーレートスーパーピクセル(ERS)アルゴリズムを用いて画像をスーパーピクセルに分割し、空間正規化拡散グラフをHSI空間の代わりに圧縮された潜在空間内でユークリッドおよび拡散距離を用いて構築する。 提案アルゴリズムであるDiffusion Learning(DS^2DL$)は、より忠実な拡散距離とそれに続く拡散グラフ構築を活用し、基礎となるデータ多様体の固有幾何学をよりよく反映し、ラベル付け精度とクラスタリング品質を向上させる。 BotswanaとKSCデータセットの実験では、$DS^2DL$の有効性が示されている。

関連論文リスト

• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering [4.643572021927615]
  本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。 S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。 S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
  論文  参考訳（メタデータ） (2023-12-24T09:54:40Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry [6.279792995020646]
  本研究では,高度に混合したハイパースペクトル画像の分割のための空間スペクトル画像再構成と拡散幾何を用いたクラスタリング(DSIRC)アルゴリズムを提案する。 DSIRCは、データ適応空間近傍にスペクトル相関画素を配置し、その画素のスペクトルシグネチャを近隣のピクセルを用いて再構成する。 その結果,画像再構成による空間情報の取り込みにより,画素単位のクラスタリングの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2022-04-28T13:42:12Z)
• Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classificationtion [14.33259265286265]
  本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。 マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
  論文  参考訳（メタデータ） (2022-03-09T14:42:26Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。