論文の概要: MixerSENet: A Lightweight Framework for Efficient Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2606.01700v1
• Date: Mon, 01 Jun 2026 05:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.381658
• Title: MixerSENet: A Lightweight Framework for Efficient Hyperspectral Image Classification
• Title（参考訳）: MixerSENet: 効率的なハイパースペクトル画像分類のための軽量フレームワーク
• Authors: Mohammed Q. Alkhatib, Swalpa Kumar Roy, Ali Jamali,
• Abstract要約: ハイパースペクトル画像(HSI)分類のための新しいフレームワークであるMixerSENetが導入された。 提案モデルは、ネットワーク全体にわたって一貫したサイズと解像度を維持しながら、ハイパースペクトル画像パッチを処理する。 MixerSENetは軽量で計算効率が良く、従来のモデルに比べてパラメータが少ない。
• 参考スコア（独自算出の注目度）: 10.667165962654996
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, a novel framework, MixerSENet, is introduced for hyperspectral image (HSI) classification, designed to address the challenges of computational efficiency and limited labeled data. The proposed model processes hyperspectral image patches while maintaining consistent size and resolution throughout the network, effectively decoupling the mixing of spatial and channel dimensions. Notably, MixerSENet is lightweight and computationally efficient, requiring fewer parameters compared to traditional models, making it suitable for resource-constrained environments. A squeeze and excitation block is incorporated into the model to refine feature extraction, enhancing the network's ability to capture more informative features. Experimental results on two benchmark datasets demonstrate that MixerSENet achieves superior performance, reaching an overall accuracy (OA) of 82.47% on Houston13 dataset and 96.70% on the Qingyun dataset, outperforming state-of-the-art methods including 3D-CNN, HybridKAN, HSIFormer, SimPoolFormer, and MorphMamba. Furthermore, a detailed analysis of computational efficiency shows that MixerSENet achieves a favorable balance between accuracy and efficiency, with only 53,146 parameters and an low inference time, confirming its practicality for real-world applications. At publication, source code will be publicly available at https://github.com/mqalkhatib/MixerSENet.
• Abstract（参考訳）: 本稿では,ハイパスペクトル画像(HSI)分類のための新しいフレームワークMixerSENetを提案する。 提案モデルでは、ネットワーク全体にわたって一貫したサイズと解像度を維持しながら、ハイパースペクトル画像パッチを処理し、空間次元とチャネル次元の混合を効果的に分離する。 特に、MixerSENetは軽量で計算効率が良く、従来のモデルに比べてパラメータが少ないため、リソースに制約のある環境に適している。 圧縮励起ブロックをモデルに組み込んで特徴抽出を洗練させ、より情報性の高い特徴を捕捉するネットワークの能力を高める。 ベンチマークデータセットの2つの実験結果は、MixerSENetが優れたパフォーマンスを達成し、Houston13データセットで82.47%、Qingyunデータセットで96.70%に達し、3D-CNN、HybridKAN、HSIFormer、SimPoolFormer、MorphMambaといった最先端のメソッドを上回っていることを示している。 さらに、計算効率の詳細な分析により、MixerSENetは53,146個のパラメータと低い推論時間しか持たず、精度と効率のバランスが良好であることを示し、実世界のアプリケーションでその実用性を確認する。 公開されているソースコードはhttps://github.com/mqalkhatib/MixerSENet.comで公開されている。

関連論文リスト

• Hyperspectral Image Classification using Spectral-Spatial Mixer Network [2.538209532048867]
  本稿では,高スペクトル画像(HSI)分類のための軽量かつ効果的なディープラーニングモデルであるSS-MixNetを紹介する。 このアーキテクチャは、局所スペクトル空間特徴抽出のための3次元畳み込み層と、2つの並列スタイルミキサーブロックを統合する。 QUH-TangdaowanとQUH-Qingyunのデータセット上で、ラベル付きデータのわずか1%を用いてモデルを評価する。
  論文  参考訳（メタデータ） (2025-11-19T18:48:52Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Finding Optimal Kernel Size and Dimension in Convolutional Neural Networks An Architecture Optimization Approach [0.0]
  畳み込みニューラルネットワーク(CNN)におけるカーネルサイズ選択は批判的だが、しばしば見過ごされる設計決定である。 本稿では,最適なカーネルサイズ決定のためのBKSEF(Best Kernel Size Estimation)を提案する。 BKSEFは情報理論、信号処理、学習理論の原理を統合することで、情報ゲイン、計算効率、精度の向上のバランスをとる。
  論文  参考訳（メタデータ） (2025-06-16T15:15:30Z)
• Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning [7.06787067270941]
  本稿では,分類精度を高めつつ,データ量を大幅に削減する新しいフレームワークを提案する。 本モデルでは,空間特徴解析のための特殊ブロックによって補完されるスペクトル特徴を効率よく抽出するために,双方向逆畳み込みニューラルネットワーク(CNN)を用いる。
  論文  参考訳（メタデータ） (2024-11-29T23:32:26Z)
• Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
  本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• HyCubE: Efficient Knowledge Hypergraph 3D Circular Convolutional Embedding [21.479738859698344]
  モデルの有効性と効率のトレードオフに達するためには、知識ハイパーグラフの埋め込みが望ましいし、難しい。 本稿では,新しい3次元円形畳み込みニューラルネットワークを設計した,エンドツーエンドの知識ハイパーグラフ埋め込みモデルHyCubEを提案する。 提案手法は, 平均8.22%, 最大33.82%の改善により, 常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-02-14T06:05:37Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。