論文の概要: SoDa2: Single-Stage Open-Set Domain Adaptation via Decoupled Alignment for Cross-Scene Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2605.03371v1
• Date: Tue, 05 May 2026 05:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.775031
• Title: SoDa2: Single-Stage Open-Set Domain Adaptation via Decoupled Alignment for Cross-Scene Hyperspectral Image Classification
• Title（参考訳）: SoDa2: クロスステージハイパースペクトル画像分類のためのデカップリングアライメントによるシングルステージオープンセットドメイン適応
• Authors: Yiwen Liu, Minghua Wang, Jing Yao, Xin Zhao, Gemine Vivone,
• Abstract要約: リモートセンシングにおいて,HSI分類は基本的な研究課題である。 オープンセットドメイン適応技術は、クロスシーンHSI分類に対処するために一般的に用いられる。 本稿では, クロスシーンHSI分類のための非結合アライメントを用いた単一ステージ開集合領域適応法を提案する。
• 参考スコア（独自算出の注目度）: 18.032864126948173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-scene hyperspectral image (HSI) classification stands as a fundamental research topic in remote sensing, with extensive applications spanning various fields. Owing to the inclusion of unknown categories in the target domain and the existence of domain shift across different scenes, open-set domain adaptation techniques are commonly employed to address cross-scene HSI classification. However, existing open-set cross-scene HSI classification methods still face two critical challenges: (1) domain shift issues arising from the direct alignment of mixed spectral-spatial features; (2) high computational costs caused by two-stage training strategies. To address these issues, this paper proposes a single-stage open-set domain adaptation method with decoupled alignment (SoDa$^2$) for cross-scene HSI classification. A contribution-aware dual-modality feature extraction is customized to disentangle the characteristics from spectral sequence signals and spatial details, selectively and adaptively enhancing discriminative features. The decoupled alignment module minimizes the Maximum Mean Discrepancy to independently reduce the spectral discrepancy and the spatial discrepancy between the source and target domains, extracting more fine-grained domain-invariant features. A cost-effective single-stage dual-branch framework is designed to learn MMD-constrainted aligned features and constraint-free intrinsic features for adaptive distinction between known and unknown classes. This framework employs a Gaussian Mixture Model to model the squared cosine similarity distribution between the two feature types, enabling open-set recognition without prior knowledge of unknown classes. Extensive experiments on three groups of HSI datasets demonstrate that SoDa$^2$ outperforms state-of-the-art methods, achieving superior classification accuracy and model transferability for open-set cross-scene tasks.
• Abstract（参考訳）: HSI分類はリモートセンシングにおける基礎研究のトピックであり、様々な分野にまたがる広範囲な応用がある。 対象領域に未知のカテゴリを含めることや、異なるシーンにまたがるドメインシフトの存在により、オープンセットドメイン適応技術は、クロスシーンのHSI分類に対処するために一般的に使用される。 しかし、既存のオープンセットのクロスシーンHSI分類法は、(1)スペクトル空間的特徴の直接アライメントに起因するドメインシフト問題、(2)2段階のトレーニング戦略による計算コストの増大という、2つの重要な課題に直面している。 これらの問題に対処するため, クロスシーンHSI分類のための分離アライメント(SoDa$^2$)を用いた単一ステージオープンセットドメイン適応手法を提案する。 コントリビューション対応の二重モード特徴抽出をカスタマイズし、スペクトルシーケンス信号と空間的詳細から特徴を分離し、選択的かつ適応的に識別的特徴を増強する。 分離アライメントモジュールは最大平均差を最小化して、ソースとターゲットドメイン間のスペクトル差と空間差を独立に低減し、よりきめ細かいドメイン不変の特徴を抽出する。 コスト効率のよいシングルステージのデュアルブランチフレームワークは、MDDに制約されたアライメント特徴と制約のない固有の特徴を学習して、未知クラスと未知クラスを適応的に区別するように設計されている。 このフレームワークはガウス混合モデルを用いて、2つの特徴型間の正方形コサイン類似度分布をモデル化し、未知のクラスの事前の知識なしにオープンセット認識を可能にする。 HSIデータセットの3つのグループに対する大規模な実験により、SoDa$^2$は最先端の手法よりも優れており、オープンセットのクロスシーンタスクにおいてより優れた分類精度とモデル転送性を実現している。

関連論文リスト

• When Segmentation Meets Hyperspectral Image: New Paradigm for Hyperspectral Image Classification [4.179738334055251]
  ハイパースペクトル画像(HSI)分類は、リモートセンシングの基盤であり、豊富なスペクトル情報を通じて正確な材料と土地被覆の識別を可能にする。 ディープラーニングはこのタスクに大きな進歩をもたらしたが、小さなパッチベースの分類器は進歩の90%以上を占めており、制限に直面している。 本研究では, HSI分類のための新しいパラダイムとベースラインであるHSIsegを提案し, これらの課題を克服するために, 分割手法と新しい動的シフト地域変換器(DSRT)を組み合わせる。
  論文  参考訳（メタデータ） (2025-02-18T05:04:29Z)
• Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment [17.086123737443714]
  異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。 既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。 シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-08-16T22:54:49Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応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） (2020-02-06T22:58:20Z)

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。