論文の概要: Transfer learning RGB models to hyperspectral images with trainable tensor decompositions

• arxiv url: http://arxiv.org/abs/2605.28331v1
• Date: Wed, 27 May 2026 11:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.007825
• Title: Transfer learning RGB models to hyperspectral images with trainable tensor decompositions
• Title（参考訳）: トレーニング可能なテンソル分解を伴うハイパースペクトル画像へのRGBモデルの変換
• Authors: Mariette Schönfeld, Laurens Devos, Wannes Meert, Hendrik Blockeel,
• Abstract要約: 大規模なビジョンネットワークは、入力画像が3つの入力チャネルを持つと仮定し、マルチスペクトル画像やハイパースペクトル画像と互換性がない。 本研究では、部分的にトレーニング可能なテンソル分解を用いて、モデルに存在する画像と空間情報を保存するための新しいアプローチを提案する。 様々なハイパースペクトルデータセットの実験により、我々のアプローチは他のハイパースペクトル変換学習法よりも正確で堅牢であることが示された。
• 参考スコア（独自算出の注目度）: 6.71225143313941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer learning makes it possible to use large vision networks on a variety of domains, by specializing their models' general filters to new tasks. However, these networks assume the input images to have 3 input channels, making them incompatible with multi- or hyperspectral images. Current approaches that mitigate this incompatibility sacrifice information in either the image, or the model. This work proposes a novel approach that preserves the image and spatial information present in the model by using partially trainable tensor decompositions. We create such decompositions of pretrained convolutional filters, separating the filters into spatial and spectral components. The spectral components are then replaced with trainable components of higher channel dimensionality. This creates hyperspectral filters that can specialize to new datasets, while retaining the spatial patterns of the original filter. Experiments on a variety of hyperspectral datasets show that our approach is more accurate and robust than other hyperspectral transfer learning methods.
• Abstract（参考訳）: 転送学習は、モデルの一般的なフィルタを新しいタスクに特化することにより、さまざまなドメインで大きなビジョンネットワークを使用することができる。 しかし、これらのネットワークは入力画像が3つの入力チャネルを持つと仮定し、マルチスペクトル画像やハイパースペクトル画像と互換性がない。 この非互換性を緩和する現在のアプローチは、イメージまたはモデルのいずれかにおいて、情報を犠牲にしている。 本研究では、部分的にトレーニング可能なテンソル分解を用いて、モデルに存在する画像と空間情報を保存するための新しいアプローチを提案する。 我々は、事前訓練された畳み込みフィルタを分解し、フィルタを空間成分とスペクトル成分に分離する。 スペクトル成分は、より高いチャネル次元のトレーニング可能な成分に置き換えられる。 これは、元のフィルタの空間パターンを保持しながら、新しいデータセットに特化できるハイパースペクトルフィルタを生成する。 様々なハイパースペクトルデータセットの実験により、我々のアプローチは他のハイパースペクトル変換学習法よりも正確で堅牢であることが示された。

関連論文リスト

• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• The Master Key Filters Hypothesis: Deep Filters Are General [51.900488744931785]
  畳み込みニューラルネットワーク(CNN)フィルタはより深い層に特化している。 ImageNetで訓練した深度分離可能なCNN(DS-CNN)におけるクラスタリング可能な繰り返しパターンの最近の観察は、この論文を動機づけた。 DS-CNNの解析により,深層フィルタの一般性は維持され,クラス固有のフィルタへの移行が期待されていることに矛盾することが明らかとなった。
  論文  参考訳（メタデータ） (2024-12-21T20:04:23Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Rotation-Scale Equivariant Steerable Filters [1.213915839836187]
  生検組織のデジタル組織像は、任意の向きと倍率で撮影でき、異なる解像度で保存できる。 本稿では、ステアブルフィルタとスケール空間理論を組み込んだ回転スケール可変フィルタ(RSESF)を提案する。 我々の手法は他の手法よりも優れており、トレーニング可能なパラメータは少なく、GPUリソースも少ない。
  論文  参考訳（メタデータ） (2023-04-10T14:13:56Z)
• Scale-Equivariant UNet for Histopathology Image Segmentation [1.213915839836187]
  畳み込みニューラルネットワーク(CNN)は、特定のスケールでそのような画像で訓練されたが、異なるスケールのものに一般化することができない。 本稿では,スケール空間理論に基づく画像分割のためのスケール・エクイバティブUNet(SEUNet)を提案する。
  論文  参考訳（メタデータ） (2023-04-10T14:03:08Z)
• Multi-temporal speckle reduction with self-supervised deep neural networks [2.9979894869734927]
  最新の技術は、様々な構造や独特のテクスチャをSAR画像に復元するために、ディープニューラルネットワークに依存している。 スペックルフィルタは一般的に合成開口レーダ(SAR)画像の解析に必須である。 我々は、MERLINと呼ばれるシングルルック複雑なSAR画像に対する、近年の自己教師型トレーニング戦略を、マルチテンポラルフィルタリングの場合に拡張する。
  論文  参考訳（メタデータ） (2022-07-22T14:08:22Z)
• SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
  ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。 我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T02:59:21Z)
• Global Filter Networks for Image Classification [90.81352483076323]
  本稿では,対数線形複雑度を持つ周波数領域における長期空間依存性を学習する,概念的に単純だが計算効率のよいアーキテクチャを提案する。 この結果から,GFNetはトランスフォーマー型モデルやCNNの効率,一般化能力,堅牢性において,非常に競争力のある代替手段となる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-07-01T17:58:16Z)
• Deeply Learned Spectral Total Variation Decomposition [8.679020335206753]
  非線形スペクトル分解のニューラルネットワーク近似を提案する。 我々は、メガピクセルサイズの画像の処理において最大4桁(時間1万ドル)のスピードアップを報告した。
  論文  参考訳（メタデータ） (2020-06-17T17:10:43Z)
• 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。