論文の概要: HyperImageNet: A Large-Scale High-Spatial Resolution Hyperspectral Imagery Classification Benchmark
- arxiv url: http://arxiv.org/abs/2607.21050v2
- Date: Mon, 27 Jul 2026 07:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 14:56:47.039038
- Title: HyperImageNet: A Large-Scale High-Spatial Resolution Hyperspectral Imagery Classification Benchmark
- Title（参考訳）: HyperImageNet: 大規模高解像度ハイパースペクトル画像分類ベンチマーク
- Authors: Chuguang Zeng, Jingtao Li, Yinhe Liu, Yanfei Zhong,
- Abstract要約: 細粒度ハイパースペクトル土地被覆理解のための大規模ベンチマークであるHyperImageNetを提案する。
このデータセットは、26,084個の航空機搭載ハイパースペクトル画像パッチ、224個のスペクトルバンドと138個のきめ細かい土地被覆カテゴリを含んでいる。
- 参考スコア（独自算出の注目度）: 19.85684799819023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present HyperImageNet, a large-scale benchmark for fine-grained hyperspectral land-cover understanding. The dataset contains 26,084 airborne hyperspectral image patches with 224 spectral bands and 138 fine-grained land-cover categories. Unlike existing datasets, HyperImageNet provides raw imagery, pixel-level semantic labels, and object-level instance masks, supporting both semantic and instance segmentation. Furthermore, we establish an open-environment benchmark with strict spatial separation to evaluate representative methods and the HyperFree foundation model. Experimental results demonstrate the effectiveness of HyperImageNet for fine-grained hyperspectral understanding and open-environment remote sensing research.
- Abstract（参考訳）: 細粒度ハイパースペクトル土地被覆理解のための大規模ベンチマークであるHyperImageNetを提案する。
このデータセットは、26,084個の航空機搭載ハイパースペクトル画像パッチ、224個のスペクトルバンドと138個のきめ細かい土地被覆カテゴリを含んでいる。
既存のデータセットとは異なり、HyperImageNetは、生画像、ピクセルレベルのセマンティックラベル、オブジェクトレベルのインスタンスマスクを提供し、セマンティックとインスタンスセマンティクスの両方をサポートする。
さらに,提案手法とHyperFree基盤モデルを評価するために,厳密な空間分離を伴うオープン環境ベンチマークを構築した。
実験結果から,ハイパーイメージネットの細粒度ハイパースペクトル理解とオープン環境リモートセンシング研究への応用が示された。
関連論文リスト
- Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。
本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
論文 参考訳（メタデータ） (2025-12-10T07:56:19Z) - Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。
ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。
グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
論文 参考訳（メタデータ） (2025-06-11T16:41:34Z) - Hyperspectral Image Land Cover Captioning Dataset for Vision Language Models [15.87261767109048]
リモートセンシングアプリケーションにおけるモデル性能と有効性を高めるために設計された,最初の大規模ハイパースペクトルキャプションデータセットであるHyperCapを紹介する。
分類タスクのみに焦点を当てた従来のハイパースペクトルイメージング(HSI)データセットとは異なり、HyperCapはスペクトルデータをピクセル単位のテキストアノテーションに統合する。
このデータセットは、分類や特徴抽出といったタスクにおけるモデルパフォーマンスを高め、高度なリモートセンシングアプリケーションに貴重なリソースを提供する。
論文 参考訳（メタデータ） (2025-05-18T03:32:24Z) - HyperDID: Hyperspectral Intrinsic Image Decomposition with Deep Feature
Embedding [9.32185717565188]
本研究は, 深い特徴埋め込みを導入することで, 分類タスクの超スペクトル固有画像分解について再考する。
提案フレームワークであるHyperDIDには,環境特徴モジュール(EFM)とカテゴリー特徴モジュール(CFM)が組み込まれ,固有の特徴を抽出する。
3つの一般的なデータセットに対する実験結果は、ハイパースペクトル画像分類性能を改善するためにHyperDIDの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-25T02:05:10Z) - 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) - WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2)
benchmark datasets for hyperspectral image classification [5.281167336437183]
wuhan uav-borne hyperspectral image (whu-hi)データセットと呼ばれる新しいベンチマークデータセットがハイパースペクトル画像分類のために構築された。
WHU-Hiデータセットは高いスペクトル分解能(nmレベル)と非常に高い空間分解能(cmレベル)を持つ。
WHU-Hiデータセットをベンチマークし、実験結果から、WHU-Hiは挑戦的なデータセットであることが示された。
論文 参考訳（メタデータ） (2020-12-27T11:28:37Z) - 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。