論文の概要: Adaptive Band Selection for Hyperspectral Classification with Spatially Disjoint Evaluation

• arxiv url: http://arxiv.org/abs/2606.06684v1
• Date: Thu, 04 Jun 2026 19:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.426851
• Title: Adaptive Band Selection for Hyperspectral Classification with Spatially Disjoint Evaluation
• Title（参考訳）: 空間的不随意評価を用いたハイパースペクトル分類のための適応帯域選択法
• Authors: Ikram El-Hajri, Ouassim Karrakchou, Alejandro Mousist,
• Abstract要約: 教師付きスペクトルランキングを用いて訓練可能なスパースゲートを初期化する2段階の手法を提案する。 SGBR-HCは、平均的な全体的な精度と、約20バンドのコーエンのカッパを達成する。
• 参考スコア（独自算出の注目度）: 42.93174349290408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral band selection methods based on differentiable selectors can be sensitive to initialization and to extracting a final discrete subset, while prescribed band counts limit flexibility. We propose SGBR-HC (Spectral-Group Band Ranking with Hard-Concrete initialization), a two-stage method that uses a supervised spectral ranking to initialize trainable sparse gates rather than treating ranking as a fixed selection rule, letting the number of selected bands be determined by training. Stage-1 scores candidate bands from training pixels by class discriminability and spectral diversity; this ranking seeds the gate logits for Stage-2, which trains the sparse gates jointly with a spatial classifier. Under spatially disjoint evaluation on Pavia University and Houston 2013, verified by retraining a fresh classifier on the selected bands, SGBR-HC achieves the highest mean overall accuracy and Cohen's kappa with approximately twenty bands. Bypassing Stage-1 degrades OA by 8.84 pp on Pavia University and 22.15 pp on Houston 2013, confirming the ranking prior's role. Random pixel splits inflate OA on Pavia University by 30.56 pp, underscoring spatial leakage as a critical evaluation confound.
• Abstract（参考訳）: 微分可能なセレクタに基づくハイパースペクトル帯選択法は、初期化や最終的な離散部分集合の抽出に敏感であり、所定の帯域は制限柔軟性をカウントする。 本稿では,SGBR-HC(Spectral-Group Band Ranking with Hard-Concrete initialization)を提案する。 ステージ1は、クラス識別性とスペクトルの多様性によって、候補バンドを訓練ピクセルからスコアし、このランキングは、空間分類器と連動してスパースゲートを訓練するステージ2のゲートロジットをシードする。 2013年、パヴィア大学とヒューストン大学で空間的に不整合性の評価が行われ、選択したバンドで新しい分類器を再訓練することで、SGBR-HCは平均的な精度と約20のバンドを持つコーエンのカッパを達成できた。 ステージ1はパヴィア大学では8.84pp、ヒューストン大学では22.15ppでOAが低下した。 ランダムピクセルはパヴィア大学のOAを30.56ppで膨らませ、空間リークを批判的な評価基準として強調する。

関連論文リスト

• Conformal-Style Quantile Analyses for Stochastic Bandits [5.368069991277497]
  ACP-UCB1は、上端の適応型コンフォメーション推定とUTB型最適化ボーナスを組み合わせたコンフォメーションスタイルのポリシーである。 ACP-UCB1 と UCB1 を比較し,数値実験を用いて評価と改善を行った。
  論文  参考訳（メタデータ） (2026-05-08T01:44:57Z)
• Fair Decisions from Calibrated Scores: Achieving Optimal Classification While Satisfying Sufficiency [2.0686600920324163]
  予測確率(スコア)に基づくバイナリ分類は、教師付き機械学習の基本的なタスクである。 群校正スコアの有限集合を仮定して、十分条件下での最適二項分類の正確な解を提案する。
  論文  参考訳（メタデータ） (2026-02-07T00:26:40Z)
• Correlation-Based Band Selection for Hyperspectral Image Classification [0.0]
  ハイパースペクトル画像分類のための相関に基づく帯域選択手法を提案する。 提案手法は, 相関係数を用いて帯域間の平均相関を算出し, 帯域間の関係を同定する。 これにより、帯域間の依存性が低いバンドを分離して保持し、選択したバンドが多様で非冗長な情報を提供することを保証できる。
  論文  参考訳（メタデータ） (2025-01-24T09:03:27Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• One-shot neural band selection for spectral recovery [15.565913045545066]
  スペクトル回復のための新しいワンショットニューラルバンド選択(NBS)フレームワークを提案する。 我々のNBSは、帯域選択過程の連続的な緩和に基づいており、勾配勾配を用いた効率的な帯域探索を可能にする。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2023-05-16T07:34:03Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Ranking-Based Siamese Visual Tracking [31.2428211299895]
  シームズベースのトラッカーは、主に視覚追跡を2つの独立したサブタスクに定式化し、分類とローカライゼーションを含む。 本稿では,異なる提案間の関係を探索するランキングベース最適化アルゴリズムを提案する。 提案された2つのランキングの損失は、ほとんどのシームズトラッカーと互換性があり、推論のための追加計算は発生しない。
  論文  参考訳（メタデータ） (2022-05-24T03:46:40Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。