論文の概要: WGDnet: Wishart-guided Geometric-aware Deep Network for PolSAR Image Classification

• arxiv url: http://arxiv.org/abs/2607.23638v1
• Date: Sun, 26 Jul 2026 13:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.17696
• Title: WGDnet: Wishart-guided Geometric-aware Deep Network for PolSAR Image Classification
• Title（参考訳）: WGDnet: PolSAR画像分類のためのウィッシュアート誘導幾何認識ディープネットワーク
• Authors: Junfei Shi, Haojia Zhang, Yu Cheng, Yuke Li,
• Abstract要約: We propose WGDNet, a Wishart-guided geometry-aware deep network。 学習可能なウィッシュアート畳み込みと、多スケールの統計的エッジ特徴抽出のための方向性カーネルとの畳み込み、(2)方向のウィッシュアート出力を適応的に洗練するために支配的な局所方向と信頼を推定する方向優先アグリゲーションモジュール、(3)スケール指向適応型幾何認識畳み込みで、サンプリンググリッドを動的に再現し、異方性地形をモデル化し、細部を詳細に保持するGAnetという3つのコア設計を統合している。 4つの実PollSARデータセットによる評価により、WGDNetは分類精度と境界における既存の最先端アプローチを超えている。
• 参考スコア（独自算出の注目度）: 19.620751108472216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polarimetric Synthetic Aperture Radar (PolSAR) classification underpins all-weather Earth observation. Conventional Wishart methods depend on rigid handcrafted operators with limited adaptability, while mainstream deep networks ignore PolSAR native Wishart scattering statistics. Additionally, fixed convolution windows fail to capture multi-scale, multi-directional terrain patterns, harming boundary detection and small-object characterization. To mitigate these drawbacks, we propose WGDNet, a Wishart-guided geometric-aware deep network. It integrates three core designs: (1) learnable Wishart convolutions with directional kernels for multi-scale statistical edge feature extraction; (2) an orientation-prior aggregation module that estimates dominant local directions and confidences to refine directional Wishart outputs adaptively; (3) GAnet, a scale-direction adaptive geometric-aware convolution that dynamically reshapes sampling grids to model anisotropic terrain and retain fine details. Our contributions lie in learnable Wishart statistical modeling, orientation-prior feature aggregation, and geometry-adaptive convolution. Evaluations across four real PolSAR datasets verify WGDNet surpasses existing state-of-the-art approaches in classification accuracy and boundary fidelity.
• Abstract（参考訳）: ポラリメトリック合成開口レーダ(PolSAR)分類は全地球観測の基盤となる。 従来のウィッシュアート法は、適応性に制限のある厳密なハンドクラフト演算子に依存し、主流のディープネットワークは、PolSARネイティブなウィッシュアート散乱統計を無視する。 さらに、固定畳み込みウィンドウはマルチスケールで多方向の地形パターンを捉えることができず、境界検出や小さな物体の特性を損なう。 これらの欠点を軽減するため、ウィッシュアート誘導型幾何学的深層ネットワークWGDNetを提案する。 学習可能なウィッシュアート畳み込みと、多スケールの統計的エッジ特徴抽出のための方向性カーネルとの畳み込み、(2)局所的な支配方向を推定し、指向性ウィッシュアート出力を適応的に洗練する方向優先集約モジュール、(3)スケール指向適応幾何認識畳み込みを動的に再現し、異方性地形をモデル化し、細部を詳細に保持するスケール指向適応型幾何認識畳み込み、の3つのコア設計を統合する。 我々の貢献は、学習可能なウィッシュアート統計モデリング、向き-主特徴集約、幾何学的適応的畳み込みである。 4つの実際の PolSAR データセットで評価され、WGDNet は分類精度と境界忠実性において既存の最先端アプローチを超越している。

関連論文リスト

• Direction-adaptive Mamba: Spatial-Frequency Dual-Domain Collaborative Learning for PolSAR Image Classification [36.750686260055424]
  深層学習は偏光合成開口レーダ(PolSAR)の画像分類を支配している。 マンバアーキテクチャは、線形複雑性と強力なグローバルモデリング能力のために、好ましいバックボーンとして機能する。 DA-MambaはPolSAR分類のための双方向協調学習を備えた指向適応型Mambaフレームワークである。
  論文  参考訳（メタデータ） (2026-07-26T05:17:07Z)
• Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
  本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。 階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。 実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
  論文  参考訳（メタデータ） (2026-02-08T09:53:21Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)

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。