論文の概要: SSFT: A Lightweight Spectral-Spatial Fusion Transformer for Generic Hyperspectral Classification

• arxiv url: http://arxiv.org/abs/2604.15828v1
• Date: Fri, 17 Apr 2026 08:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.822666
• Title: SSFT: A Lightweight Spectral-Spatial Fusion Transformer for Generic Hyperspectral Classification
• Title（参考訳）: SSFT : 遺伝的ハイパースペクトル分類のための軽量分光-空間核融合変換器
• Authors: Alexander Musiat, Nikolas Ebert, Oliver Wasenmüller,
• Abstract要約: 本稿では,スペクトル・空間経路に表現学習を分解する軽量なスペクトル・空間融合変換器(SSFT)を提案する。 我々は,地球観測,果実条件評価,微粒化材料認識を対象とするヘテロジニアスなマルチデータセットベンチマークであるHSI-Benchmarkについて,SSFTの評価を行った。
• 参考スコア（独自算出の注目度）: 42.09644109233563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral imaging enables fine-grained recognition of materials by capturing rich spectral signatures, but learning robust classifiers is challenging due to high dimensionality, spectral redundancy, limited labeled data, and strong domain shifts. Beyond earth observation, labeled HSI data is often scarce and imbalanced, motivating compact models for generic hyperspectral classification across diverse acquisition regimes. We propose the lightweight Spectral-Spatial Fusion Transformer (SSFT), which factorizes representation learning into spectral and spatial pathways and integrates them via cross-attention to capture complementary wavelength-dependent and structural information. We evaluate our SSFT on the challenging HSI-Benchmark, a heterogeneous multi-dataset benchmark covering earth observation, fruit condition assessment, and fine-grained material recognition. SSFT achieves state-of-the-art overall performance, ranking first while using less than 2% of the parameters of the previous leading method. We further evaluate transfer to the substantially larger SpectralEarth benchmark under the official protocol, where SSFT remains competitive despite its compact size. Ablation studies show that both spectral and spatial pathways are crucial, with spatial modeling contributing most, and that SSFT remains robust without data augmentation.
• Abstract（参考訳）: ハイパースペクトルイメージングは、リッチスペクトルシグネチャをキャプチャすることで、物質のきめ細かい認識を可能にするが、高次元性、スペクトル冗長性、ラベル付きデータ制限、ドメインシフトの強いため、ロバスト分類器の学習は困難である。 地球観測以外にも、ラベル付きHSIデータは、しばしば不足し、不均衡であり、様々な取得体制にまたがる一般的な超スペクトル分類のためのコンパクトなモデルを動機付けている。 本稿では,スペクトル・空間経路に表現学習を分解する軽量なスペクトル・空間融合変換器(SSFT)を提案する。 我々は,地球観測,果実条件評価,微粒化材料認識を対象とするヘテロジニアスなマルチデータセットベンチマークであるHSI-Benchmarkについて,SSFTの評価を行った。 SSFTは、先行する手法のパラメータの2%未満を使用しながら、まず、最先端の総合的な性能を達成している。 我々はさらに、SSFTがコンパクトなサイズにもかかわらず競争力を維持している公式プロトコルの下で、より大規模なSpectralEarthベンチマークへの転送を評価する。 アブレーション研究は、スペクトル経路と空間経路の両方が重要であり、空間モデリングが最も寄与し、SSFTはデータ拡張なしで頑健であることを示している。

関連論文リスト

• HSSDCT: Factorized Spatial-Spectral Correlation for Hyperspectral Image Fusion [11.994592153994482]
  ハイパースペクトル画像(HSI)融合は、低分解能HSIの豊富なスペクトル情報と高分解能マルチスペクトル画像(HR-MSI)の詳細な詳細を組み合わせることで、高分解能HSI(HR-HSI)を再構成することを目的としている。 近年の深層学習法は顕著な進歩を遂げているが, 受容野の制限, スペクトル帯域の冗長化, 自己意識の2次的複雑さに悩まされている。 これらの課題を克服するために,階層型空間スペクトル線量相関ネットワーク (HSSDCT) を提案する。
  論文  参考訳（メタデータ） (2026-01-31T03:24:03Z)
• Spectral Discrepancy and Cross-modal Semantic Consistency Learning for Object Detection in Hyperspectral Image [40.38555448650773]
  スペクトル分解能の高いハイパースペクトル画像は、類似した物質の微妙な違いを認識するための新たな洞察を与える。 ハイパースペクトル画像における物体検出は、ハイパースペクトル間バンドの空間的差異により、クラス内およびクラス間類似性において重大な課題に直面している。 textbfSpectral textbfDiscrepancy と textbfCross-textbfModal semantic consistency learning (SDCM) という新しいネットワークを提案する。 提案手法は他の手法と比較して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-20T07:03:09Z)
• 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)
• SSF-Net: Spatial-Spectral Fusion Network with Spectral Angle Awareness for Hyperspectral Object Tracking [21.664141982246598]
  ハイパースペクトルビデオ(HSV)は、空間的、スペクトル的、時間的情報を同時に提供する。 既存の手法は主にバンド再編成に重点を置いており、特徴抽出のためにRGBトラッカーに依存している。 本稿では、超スペクトル(HS)物体追跡において、スペクトル角認識(SST-Net)を用いた空間-スペクトル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T09:37:13Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)

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。