Fugu-MT 論文翻訳(概要): Implicit spatial-frequency fusion of hyperspectral and lidar data via kolmogorov-arnold networks

論文の概要: Implicit spatial-frequency fusion of hyperspectral and lidar data via kolmogorov-arnold networks

arxiv url: http://arxiv.org/abs/2605.14239v1
Date: Thu, 14 May 2026 01:12:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-16 00:43:04.083407
Title: Implicit spatial-frequency fusion of hyperspectral and lidar data via kolmogorov-arnold networks
Title（参考訳）: Kolmogorov-Arnoldネットワークによる高スペクトル・ライダーデータの入射空間周波数融合
Authors: Zekun Long, Judy X. Yang, Jing Wang, Ali Zia, Guanyiman Fu, Jun Zhou,
Abstract要約: ハイパースペクトル画像(HSI)分類は、スペクトルのあいまいさ、空間的不均一性、材料特性と構造との強い結合により複雑な場面で困難である。ほとんどのHSI-LiDAR融合法は、固定活性化関数と線形重みを持つCNNや幾何に依存している。本稿では、高スペクトルとLiDARの特徴間の高非線形関係を適応的にキャプチャするIFGNet(Indicit Frequency-Geometry Fusion Network)を提案する。
参考スコア（独自算出の注目度）: 7.796460319257142
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hyperspectral image (HSI) classification is challenging in complex scenes due to spectral ambiguity, spatial heterogeneity, and the strong coupling between material properties and geometric structures. Although LiDAR provides complementary elevation information, most HSI-LiDAR fusion methods rely on CNNs or MLPs with fixed activation functions and linear weights. These methods struggle to model structural discontinuities in LiDAR data, intricate spectral features of HSI, and their interactions. In addition, fusion of the two modalities in both spatial and frequency domains with LiDAR guidance remains underexplored. To address these issues, we propose the Implicit Frequency-Geometry Fusion Network (IFGNet), which leverages Kolmogorov-Arnold Networks (KANs) with learnable spline-based functions to adaptively capture highly nonlinear relationships between hyperspectral and LiDAR features. Furthermore, IFGNet introduces a LiDAR-guided implicit aggregation module in both spatial and frequency domains, enhancing geometry-aware spatial representations while capturing global structural patterns. Experiments on the Houston 2013 and MUUFL benchmarks demonstrate that IFGNet consistently outperforms existing fusion methods in overall accuracy, average accuracy, and Cohen's Kappa, while maintaining an efficient architecture.
Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は、スペクトルのあいまいさ、空間的不均一性、および材料特性と幾何学構造との強い結合により複雑な場面において困難である。 LiDARは相補的な標高情報を提供するが、ほとんどのHSI-LiDAR融合法は、固定活性化関数と線形重みを持つCNNまたはMPPに依存している。これらの手法は、LiDARデータの構造的不連続性をモデル化し、HSIのスペクトル特性を複雑にし、それらの相互作用をモデル化するのに苦労する。さらに、LiDAR誘導による空間領域と周波数領域の2つのモードの融合も検討されていない。これらの問題に対処するために,Kolmogorov-Arnold Networks (KANs) を学習可能なスプラインベース関数に利用し,高スペクトルとLiDARの高非線形関係を適応的に捉えるImplicit Frequency-Geometry Fusion Network (IFGNet) を提案する。さらに、IFGNetは、空間領域と周波数領域の両方にLiDAR誘導暗黙アグリゲーションモジュールを導入し、グローバルな構造パターンを捉えながら、幾何認識の空間表現を強化した。 Houston 2013 と MUUFL ベンチマークの実験では、IFGNet は効率の良いアーキテクチャを維持しながら、全体的な精度、平均精度、および Cohen's Kappa において既存の融合法を一貫して上回っている。

関連論文リスト

OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文参考訳（メタデータ） (2026-05-13T17:42:20Z)
Exploring Boundary-Aware Spatial-Frequency Fusion for Camouflaged Object Detection [8.458797078310633]
カモフラージュ対象物検出は、カモフラージュ対象物と周囲の背景との高度な類似性のため困難である。現在のCOD法は主に空間領域のエッジ抽出と局所画素レベルの情報に依存している。境界対応周波数領域と空間領域融合に基づくCODフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-20T06:45:42Z)
RSONet: Region-guided Selective Optimization Network for RGB-T Salient Object Detection [76.1829298714382]
本稿では,RGB画像と熱画像の相違点に着目した。 RGB-T有向物体検出のための領域誘導選択最適化ネットワークを提案する。我々は,RGB-Tデータセットに関する広範な実験を行い,提案したRSONetが27種類の最先端SOD手法と競合する性能を発揮することを示した。
論文参考訳（メタデータ） (2026-03-13T06:01:17Z)
Fluxamba: Topology-Aware Anisotropic State Space Models for Geological Lineament Segmentation in Multi-Source Remote Sensing [6.815807403335458]
トポロジ対応の機能修正フレームワークを導入した軽量アーキテクチャを提案する。 F Fluxambaは3.4Mパラメータと6.3G FLOPで24FPS以上のリアルタイム推論速度を達成する。
論文参考訳（メタデータ） (2026-01-24T03:55:21Z)
Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation [0.6752538702870791]
SpectralEmbeded DeepONet (SEDNet) は、トランクが座標入力ではなく、固定されたチェビシェフスペクトル辞書によって駆動される新しい変種である。 SEDNetは一貫して、DeepONet、FEDONet、SEDONetの間で最も低い相対的なL2エラーを達成しており、ベースラインのDeepONetよりも平均30～40%改善されている。
論文参考訳（メタデータ） (2025-12-09T22:26:29Z)
PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
論文参考訳（メタデータ） (2025-04-27T07:21:42Z)
Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
論文参考訳（メタデータ） (2025-01-02T15:14:40Z)
HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
論文参考訳（メタデータ） (2024-11-30T01:08:08Z)
Learning Exhaustive Correlation for Spectral Super-Resolution: Where Spatial-Spectral Attention Meets Linear Dependence [26.1694389791047]
スペクトル超解像は、容易に取得可能なRGB画像からハイパースペクトル像(HSI)を復元することを目的としている。既存のTransformerのボトルネックは2種類あり、パフォーマンスの改善と実用性に制限がある。スペクトル超解像のための新しい Exhaustive correlation Transformer (ECT) を提案する。
論文参考訳（メタデータ） (2023-12-20T08:30:07Z)
Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。提案されたSSCAGは最先端のアプローチと競合する。
論文参考訳（メタデータ） (2021-04-24T08:09:27Z)
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。