論文の概要: PNEC-Mamba: Prototype-Guided Positive-Negative Evidence Calibration for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2608.01910v1
• Date: Mon, 03 Aug 2026 08:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.415211
• Title: PNEC-Mamba: Prototype-Guided Positive-Negative Evidence Calibration for Hyperspectral Image Classification
• Title（参考訳）: PNEC-Mamba:ハイパースペクトル画像分類のためのプロトタイプガイド陽性陰性証拠校正
• Abstract要約: ハイパースペクトル画像では、スペクトル類似性、混合画素、局所的コンテキスト干渉などの要因により、画素表現は曖昧であることが多い。 PNEC-Mamba を試作した正負のエビデンス校正フレームワークを提案する。 PNEC-Mambaは最先端の手法に比べて優れた分類性能が得られる。
• 参考スコア（独自算出の注目度）: 49.52488260487956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world hyperspectral scenes, pixel representations are often ambiguous due to factors such as spectral similarity, mixed pixels, and local context interference, which may simultaneously encode discriminative evidence and interfering information. Existing methods mainly focus on learning more powerful representations or modeling broader contexts, but rarely investigate whether the learned representations provide reliable evidence or introduce interference into classification decisions. To address this issue, we view hyperspectral image classification from the perspective of pixel-level evidence reliability modeling and propose PNEC-Mamba, a prototype-guided positive-negative evidence calibration framework. The framework progressively establishes semantic references, separates class-related evidence from interference, estimates pixel-level reliability, and performs selective calibration. First, a full-image state-space encoder extracts pixel representations, while dynamic class prototypes provide semantic references that evolve jointly with the feature space. Subsequently, positive and negative evidence is derived from pixel-prototype competition, explicitly separating discriminative cues that support classification from confusing signals associated with competing classes. Based on these evidence relationships, a multi-source uncertainty estimation strategy is introduced to assess pixel-level reliability, enabling stronger evidence calibration for uncertain regions. Finally, a full-resolution consistency refinement step is applied to recover local spatial details and improve boundary coherence in the final predictions. Extensive experiments on three benchmark datasets demonstrate that PNEC-Mamba achieves superior classification performance compared with state-of-the-art methods.
• Abstract（参考訳）: 現実世界のハイパースペクトルシーンでは、スペクトル類似性、混合画素、局所的コンテキスト干渉などの要因により、しばしば画素表現が曖昧である。 既存の手法は主に、より強力な表現の学習やより広い文脈のモデリングに重点を置いているが、学習された表現が信頼できる証拠を提供するか、分類決定に干渉をもたらすかは、ほとんど調査されていない。 この問題に対処するため,画素レベルのエビデンス信頼性モデルの観点からハイパースペクトル画像分類を考察し,プロトタイプによる正負のエビデンス校正フレームワークであるPNEC-Mambaを提案する。 このフレームワークは、セマンティックリファレンスを段階的に確立し、クラス関連の証拠を干渉から分離し、ピクセルレベルの信頼性を推定し、選択的な校正を行う。 まず、フルイメージのステートスペースエンコーダがピクセル表現を抽出し、動的クラスプロトタイプが特徴空間と共同で進化するセマンティックリファレンスを提供する。 その後、正および負の証拠は、競合するクラスに関連する混乱した信号から分類を支援する識別的手がかりを明示的に分離するピクセルプロトタイプ競合から導かれる。 これらのエビデンス関係に基づいて、画素レベルの信頼性を評価するためのマルチソース不確実性評価戦略を導入し、不確実領域に対するより強力なエビデンス校正を可能にする。 最後に、局所的な空間的詳細を復元し、最終的な予測における境界コヒーレンスを改善するために、フルレゾリューション整合性改善ステップを適用する。 3つのベンチマークデータセットに対する大規模な実験により、PNEC-Mambaは最先端の手法に比べて優れた分類性能が得られることが示された。

関連論文リスト

• Structured Local Differential Modeling for AI-Generated Image Detection [19.38384682694954]
  本稿では,局所微分信号に基づくAI生成画像検出フレームワークRippleNetを提案する。 RippleNetは、フォージェリセンシティブな領域を適応的に識別し、局所地区内の多方向多スケール差分表現を構築する。 複数の公開ベンチマークとクロスジェネレータ評価設定による実験は、RippleNetが一貫して競争力を発揮することを示した。
  論文  参考訳（メタデータ） (2026-08-13T04:35:29Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• The Courtroom Trial of Pixels: Robust Image Manipulation Localization via Adversarial Evidence and Reinforcement Learning Judgment [15.520850734569564]
  我々は,IMLタスクを証拠の対決とみなす法廷スタイルのIMLフレームワークを提案する。 我々は,不確実な地域で戦略的再推論と改良を行う強化学習モデルを開発した。 実験結果から,本モデルはSOTA IML法と比較して平均性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-16T07:09:59Z)
• Diversity over Uniformity: Rethinking Representation in Generated Image Detection [22.020742109848317]
  我々は、確実に生成された画像検出は、単一の決定経路に依存するのではなく、複数の判断視点を維持するべきであると論じている。 本稿では,タスク非関係なコンポーネントをフィルタし,表現空間における様々なフォージェリーキュー間の過剰なオーバーラップを抑えるアンチファイン・コラプス学習フレームワークを提案する。 この設計は、モデル内で多様な補完的な証拠を維持し、小さな敬意的な手がかりへの依存を減らし、目に見えない生成条件下で堅牢性を高める。
  論文  参考訳（メタデータ） (2026-02-28T15:42:12Z)
• Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
  学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。 本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。 4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-28T09:46:56Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Boosting Semi-Supervised Semantic Segmentation with Probabilistic Representations [30.672426195148496]
  本稿では,表現質を向上させるための確率的表現コントラスト学習フレームワークを提案する。 確率論の新しい視点からピクセルワイズ表現を定義する。 また,表現の信頼性を高めるため,分散分散の正規化も提案する。
  論文  参考訳（メタデータ） (2022-10-26T12:47:29Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。