論文の概要: Hyperspectral Image Classification via Efficient Global Spectral Supertoken Clustering

• arxiv url: http://arxiv.org/abs/2604.27364v1
• Date: Thu, 30 Apr 2026 03:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.900613
• Title: Hyperspectral Image Classification via Efficient Global Spectral Supertoken Clustering
• Title（参考訳）: 効率的なグローバルスペクトルスーパートークンクラスタリングによるハイパースペクトル画像分類
• Authors: Peifu Liu, Tingfa Xu, Jie Wang, Huan Chen, Huiyan Bai, Jianan Li,
• Abstract要約: ハイパースペクトル画像分類は空間的コヒーレントな予測と正確な境界線を求める。 クラスタリングは類似のピクセルを領域に集約するが、その後のピクセルはピクセル単位で動作し、領域の一貫性を損なう。 本稿では,類似の画素をスペクトルスーパートークンに分類することで,クラスタリングを分類から明確に分離するDual-Constrained Clusteringを提案する。
• 参考スコア（独自算出の注目度）: 27.81669681803444
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hyperspectral image classification demands spatially coherent predictions and precise boundary delineation. Yet prevailing superpixel-based methods face an inherent contradiction: clustering aggregates similar pixels into regions, but the subsequent classifier operates pixel-wise, undermining regional consistency. Consequently, existing approaches do not guarantee region-level, boundary-aligned classification. To address this limitation, we propose the Dual-stage Spectrum-Constrained Clustering-based Classifier (DSCC), an end-to-end framework that explicitly decouples clustering from classification by first grouping spectral similar and spatially proximate pixels into spectral supertokens and then performing token-level prediction. At its core, DSCC computes an image-level multi-criteria feature distance between pixels and centers, followed by a locality-aware assignment regularization, enabling the generation of boundary-preserving spectral supertokens. A density-isolation based center selection further yields representative, well-separated centers, reducing redundancy and improving robustness to scale variation. To accommodate mixed land-cover compositions within each token, we introduce a soft-label scheme that encodes class proportions and improves robustness for mixed-class tokens. DSCC attains a CF1 of 0.728 at 197.75 FPS on the WHU-OHS dataset, offering a superior accuracy-efficiency trade-off compared with state-of-the-art methods. Extensive experiments further validate the effectiveness and generality of the proposed dual-stage paradigm for hyperspectral image classification. The source code is available at https://github.com/laprf/DSCC.
• Abstract（参考訳）: ハイパースペクトル画像分類は空間的コヒーレントな予測と正確な境界線を求める。 クラスタリングは類似のピクセルを領域に集約するが、その後の分類器はピクセル単位で動作し、地域の一貫性を損なう。 したがって、既存のアプローチでは、領域レベルの境界整合分類は保証されない。 この制限に対処するため,Dual-stage Spectrum-Constrained Clustering-based Classifier (DSCC) を提案する。 その中心となるDSCCは、画素と中心の間の画像レベルの多重基準特徴距離を計算し、続いて局所性を考慮した割り当て規則化を行い、境界保存スペクトルスーパートークンの生成を可能にする。 密度アイソレーションに基づく中心選択により、代表的、よく区切られた中心がさらに得られ、冗長性が低減され、スケール変動に対する堅牢性が向上する。 各トークン内の混合ランドカバー構成に対応するために,クラス比率を符号化し,混合クラストークンのロバスト性を向上させるソフトラベル方式を導入する。 DSCCは、WHU-OHSデータセット上の197.75 FPSで0.728のCF1を獲得し、最先端の手法に比べて精度と効率のトレードオフが優れている。 広汎な実験により、ハイパースペクトル画像分類のための提案された2段階パラダイムの有効性と一般化がさらに検証された。 ソースコードはhttps://github.com/laprf/DSCCで入手できる。

関連論文リスト

• Joint Superpixel and Self-Representation Learning for Scalable Hyperspectral Image Clustering [42.598744707088535]
  サブスペースクラスタリングは、ハイパースペクトル画像(HSI)解析のための強力な教師なしアプローチである。 スーパーピクセルセグメンテーションは、処理するデータポイントの数を減らすことで効率を向上させることができる。 本稿では,スーパーピクセルセグメンテーションとサブスペースクラスタリングを協調的に最適化する統合エンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T18:42:48Z)
• 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)
• Dual-stage Hyperspectral Image Classification Model with Spectral Supertoken [15.426635239291729]
  スーパーピクセルの概念に触発されたDual-stage Spectral Supertoken(DSTC)を紹介する。 DSTCはスペクトル微分に基づく画素クラスタリングを用いて、類似のスペクトル特性を持つグループ画素をスペクトルスーパートーケンに分類する。 適応的に重みを異なるカテゴリに割り当てるクラスプロポーションベースのソフトラベルも提案する。
  論文  参考訳（メタデータ） (2024-07-10T01:58:30Z)
• A consensus-constrained parsimonious Gaussian mixture model for clustering hyperspectral images [0.0]
  食品エンジニアは、ハイパースペクトル画像を使用して、食品サンプルのタイプと品質を分類する。 これらの手法を訓練するには、各トレーニング画像の各ピクセルにラベルを付ける必要がある。 ハイパースペクトル画像に画素をラベル付けするために, コンセンサス制約付き擬似ガウス混合モデル (ccPGMM) を提案する。
  論文  参考訳（メタデータ） (2024-03-05T22:23:43Z)
• 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)
• 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)

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。