論文の概要: Convolution-Free Holistic Multivariance Decomposition Layer for Efficient Hyperspectral Image Classification Tensor Networks
- arxiv url: http://arxiv.org/abs/2608.16241v1
- Date: Mon, 17 Aug 2026 08:17:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.589004
- Title: Convolution-Free Holistic Multivariance Decomposition Layer for Efficient Hyperspectral Image Classification Tensor Networks
- Title（参考訳）: 効率的なハイパースペクトル画像分類テンソルネットワークのための畳み込み自由正則多変分分解層
- Abstract要約: この研究は、新しいエンドツーエンドの微分可能なニューラルネットワーク層として、HMD(Holistic Multispectral Decomposition)フレームワークを導入している。
学習可能により協調的な高次元相互作用から独立な単一モードの変動を明示的に分離することにより、提案したHMD-0, HMD-1, HMD-2近似剤を協調的に最適化する。
これらの結果は、HMDフレームワークが、多次元HS画像分類における従来の畳み込みの、構造的に堅牢な代替手段を提供することを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature extraction for hyperspectral image classification is conventionally addressed using rigid tensor decompositions that fail to capture complex spatio-spectral interdependencies, or heavily parameterized convolutional neural networks that are computationally expensive. To overcome these limitations, this work introduces the Holistic Multivariance Decomposition (HMD) framework as a novel, end-to-end differentiable neural network layer. By explicitly separating independent single mode variations from cooperative higher dimensional interactions via learnable, matrix valued supports, the proposed HMD-0, HMD-1 and HMD-2 approximants are optimized jointly with a downstream classifier via backpropagation. Comprehensive evaluations across three benchmark HS datasets demonstrate that the higher level HMD layers achieve superior classification accuracy compared to classical learnable tensor baselines, including Tucker, Canonical Polyadic, and Tensor Train decompositions. Furthermore, HMD-1 and HMD-2 achieve a generalization capacity and training stability comparable to standard 2D and 3D-CNNs while requiring significantly fewer feature extractor parameters. These results demonstrate that the HMD framework provides a structurally robust substitute for traditional convolution in multidimensional HS image classification, offering high parameter efficiency and stability throughout the optimization process.
- Abstract（参考訳）: 超スペクトル画像分類のための特徴抽出は、通常、複雑なスペクトル間依存性を捕捉できない剛性テンソル分解や、計算コストの高い重パラメータ化された畳み込みニューラルネットワークを用いて対処される。
これらの制限を克服するため、この研究は、新しいエンドツーエンドの微分可能なニューラルネットワーク層として、ホロスティック多変量分解(HMD)フレームワークを導入している。
HMD-0, HMD-1, HMD-2近似剤は, 学習可能な行列値担体を介して協調的な高次元相互作用から独立な単一モード変動を明示的に分離することにより, 逆プロパゲーションにより下流分類器と協調的に最適化する。
3つのベンチマークHSデータセットの総合評価は、タッカー、カノニカルポリアディック、テンソルトレインの分解を含む古典的な学習可能なテンソルベースラインと比較して、高いレベルのHMD層が優れた分類精度を達成することを示した。
さらに、HMD-1とHMD-2は、標準2Dと3D-CNNに匹敵する一般化能力と訓練安定性を達成し、特徴抽出パラメータを著しく少なくする。
これらの結果は、HMDフレームワークが、多次元HS画像分類における従来の畳み込みを構造的に堅牢に代用し、最適化プロセス全体を通して高いパラメータ効率と安定性を提供することを示した。
関連論文リスト
- MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳（メタデータ） (2026-06-22T10:14:06Z) - Data Efficient Complex Feature Fusion Network For Hyperspectral Image Classification [0.0]
本研究は、ハイパースペクトル画像分類のためのアテンションベースDual-Branch Complex Feature Fusion Network (CFFN)のデータ効率の変動を示す。
提案したモデルはD-CFFNと呼ばれ、元の2ストリーム構造を維持している。
CFFNに匹敵する分類性能を実現し、モデルサイズ、メモリ消費、推論レイテンシを大幅に削減する。
論文 参考訳（メタデータ） (2026-06-03T10:41:50Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling [0.0]
酸化3D領域から等価な水和伝導率テンソルKeqを予測する代理モデルを開発した。
3つのサロゲートはDFMシミュレーションによって生成されたデータに基づいて訓練され、それぞれ異なるフラクチャー-マトリクス伝導率のコントラストに対応する。
訓練されたモデルは、ほとんどのテストケースで0.22未満の正規化ルート平均二乗誤差で高い精度を達成する。
論文 参考訳（メタデータ） (2026-01-19T23:53:58Z) - MVNet: Hyperspectral Remote Sensing Image Classification Based on Hybrid Mamba-Transformer Vision Backbone Architecture [12.168520751389622]
ハイパースペクトル画像(HSI)分類は、高次元データ、限られたトレーニングサンプル、スペクトル冗長性といった課題に直面している。
本稿では,3D-CNNの局所特徴抽出,Transformerのグローバルモデリング,Mambaの線形シーケンスモデリング機能を統合した新しいMVNetネットワークアーキテクチャを提案する。
IN、UP、KSCデータセットでは、MVNetは分類精度と計算効率の両方で主流のハイパースペクトル画像分類法より優れている。
論文 参考訳（メタデータ） (2025-07-06T14:52:26Z) - Dynamic 3D KAN Convolution with Adaptive Grid Optimization for Hyperspectral Image Classification [12.168520751389622]
Kanetは改良された3D-DenseNetモデルであり、3D Kan Convとアダプティブグリッド更新機構で構成されている。
Kanetはネットワークの深さや幅を増大させることなく、3D動的専門家畳み込みシステムを通じてモデル表現能力を向上させる。
提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-04-21T14:57:48Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。
また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。
提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文 参考訳（メタデータ） (2023-01-15T16:19:18Z) - Greedy based Value Representation for Optimal Coordination in
Multi-agent Reinforcement Learning [64.05646120624287]
LVDとMVDの結合Q値関数を導出する。
最適な整合性を確保するために、最適なノードは独自のSTNである必要がある。
本手法は,様々なベンチマーク実験において,最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-22T08:14:50Z) - Joint Semi-supervised 3D Super-Resolution and Segmentation with Mixed
Adversarial Gaussian Domain Adaptation [13.477290490742224]
医用画像の高解像度化は、画像の解像度を向上させることを目的としているが、従来は低解像度データセットの特徴に基づいて訓練されている。
本稿では,画像とそのラベルの同時超解像を行う半教師付きマルチタスク生成対向ネットワーク(Gemini-GAN)を提案する。
提案手法は, 成人1,331人, 成人205人のトランスナショナル多民族集団に対して広く評価された。
論文 参考訳（メタデータ） (2021-07-16T15:42:39Z)
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。