論文の概要: An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification
- arxiv url: http://arxiv.org/abs/2606.09123v1
- Date: Mon, 08 Jun 2026 07:18:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.795378
- Title: An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification
- Title（参考訳）: 航空機搭載マルチスペクトル点雲分類のための幾何スペクトル特徴学習フレームワーク
- Authors: Xian Li, Yanfeng Gu, Aleksandra Pižurica,
- Abstract要約: 2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。
我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。
航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
- 参考スコア（独自算出の注目度）: 51.004475033276215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multispectral point cloud (MPC) is composed of 3D spatial-spectral information, which holds tremendous potential for accurate land-cover classification. However, the representation power of classification models is limited by inherent high-dimensional and heterogeneous spatial-spectral information, unbalanced sample distribution, and inter-class spectral similarity of airborne MPCs. We build two MPC datasets and propose an enhanced geometric-spectral feature learning framework based on attentions for airborne MPC classification. A key component in our model is a two-stream feature fusion method with attention mechanisms, which enhances the representation capability of spatial-spectral features from high-dimensional heterogeneous MPCs. The first stream aims to extract position-encoded global spectral features with fusion self-attention, and the second stream comprises a multikernel point convolution and feature aggregation attention to extract spectral-guided geometric features. We then develop a residual attention fusion block to integrate the most informative geometric-spectral features from the two parallel streams. Another important contribution of this work is a joint loss function to improve the learning ability on unbalanced and interclass similar samples. Experimental results on two airborne MPC datasets demonstrate the effectiveness of the proposed method compared with the state-of-the-art methods. Furthermore, the codes and datasets used in this paper will be made available freely at https://github.com/HITlixian/TGRS_GSFF.
- Abstract（参考訳）: マルチスペクトル点雲(MPC)は3次元空間スペクトル情報から成り、正確な土地被覆分類の可能性を秘めている。
しかし、分類モデルの表現力は、固有の高次元および不均一な空間スペクトル情報、不均衡サンプル分布、航空機搭載MPCのクラス間スペクトル類似性によって制限される。
2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。
我々のモデルにおける重要な要素は、高次元の不均一なMPCから空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。
第1のストリームは、核融合自己アテンションで位置符号化されたグローバルスペクトル特徴を抽出することを目的としており、第2のストリームは、スペクトル誘導幾何特徴を抽出するために、マルチカーネルポイント畳み込みと特徴集約アテンションを含む。
次に、2つの並列ストリームから最も情報性の高い幾何スペクトル特徴を統合するために、残留注意融合ブロックを開発する。
この研究のもう1つの重要な貢献は、非平衡およびクラス間類似サンプルの学習能力を改善するための共同損失関数である。
航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
さらに、この論文で使用されるコードとデータセットはhttps://github.com/HITlixian/TGRS_GSFF.comで無償公開されている。
関連論文リスト
- Multiview Manifold Evidential Fusion for PolSAR Image Classification [51.41332458376411]
我々は,PolSAR多様体学習とエビデンス融合を統合アーキテクチャに統合する新しいフレームワークを提案する。
実世界の3つのPolSARデータセットの実験により、提案手法は、精度、堅牢性、解釈可能性において、既存のアプローチよりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-10-13T09:05:51Z) - Multispectral State-Space Feature Fusion: Bridging Shared and Cross-Parametric Interactions for Object Detection [48.04749955821739]
MS2Fusionと呼ばれる新しいマルチスペクトル状態空間特徴融合フレームワークが提案されている。
MS2フュージョンはデュアルパスパラメトリック相互作用機構を通じて効率的かつ効果的な融合を実現する。
我々のMS2Fusionは、主要なベンチマーク実験において、他の最先端のマルチスペクトルオブジェクト検出方法よりも大幅に優れています。
論文 参考訳（メタデータ） (2025-07-19T14:38:03Z) - Pillar-Voxel Fusion Network for 3D Object Detection in Airborne Hyperspectral Point Clouds [35.24778377226701]
航空機搭載HPCのための3次元物体検出ネットワークPiV-A HPCを提案する。
我々はまず,HPCからスペクトルおよび垂直構造特徴を捕捉し,スペクトル歪みを克服するピラーボクセル二重分岐エンコーダを開発した。
2つのブランチ間の情報相互作用を強化するために,マルチレベル特徴融合機構が考案された。
論文 参考訳（メタデータ） (2025-04-13T10:13:48Z) - PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。
PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。
PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
論文 参考訳（メタデータ） (2024-08-26T19:43:01Z) - Hierarchical Attention and Parallel Filter Fusion Network for Multi-Source Data Classification [33.26466989592473]
マルチソースデータ分類のための階層的注意と並列フィルタ融合ネットワークを提案する。
提案手法は,各データセットの総合精度(OA)の91.44%と80.51%を達成する。
論文 参考訳（メタデータ） (2024-08-22T23:14:22Z) - Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳（メタデータ） (2023-12-18T11:37:19Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳（メタデータ） (2023-06-14T09:01:50Z) - Centralized Feature Pyramid for Object Detection [53.501796194901964]
視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。
本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
論文 参考訳（メタデータ） (2022-10-05T08:32:54Z) - Spatial-Spectral Manifold Embedding of Hyperspectral Data [43.479889860715275]
本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。
空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。
SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
論文 参考訳（メタデータ） (2020-07-17T05:40:27Z)
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。