論文の概要: Ten Architectures, One Error: Shared Failure Modes in Hyperspectral Classification under Spatially Disjoint Evaluation

• arxiv url: http://arxiv.org/abs/2609.01786v1
• Date: Tue, 01 Sep 2026 18:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.923869
• Title: Ten Architectures, One Error: Shared Failure Modes in Hyperspectral Classification under Spatially Disjoint Evaluation
• Title（参考訳）: 10のアーキテクチャと1つのエラー:空間的不整合評価に基づくハイパースペクトル分類における共有障害モード
• Abstract要約: ランダムスプリット法では、大量のテストピクセルがトレーニングピクセルにすぐ隣に落下し、報告された精度を膨らませる。 本研究では,空間分離をモデル受容場にリンクするリークフリー評価プロトコルを提案する。 このプロトコルを古典、スペクトル、スペクトル空間、トランスフォーマー、ビジョンバックボーン、ステートスペースファミリを含む10の異なるアーキテクチャに適用すると、マクロF1は平均で0.147減少し、モデルランキングは最大5箇所まで変化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image classification still relies heavily on random pixel splits within a single scene. The Salinas dataset, randomly split, is among the most widely used datasets for comparing different architectures. However, under a random split method, a large fraction of test pixels fall immediately adjacent to a training pixel, which inflates reported accuracy. This work introduces a leakage-free evaluation protocol linking spatial separation to the model's receptive field. Applying this protocol across ten different architectures, including classical, spectral, spectral-spatial, transformer, vision-backbone, and state-space families, shows that Macro-F1 drops by 0.147 on average and model rankings change by as many as five places. Furthermore, leakage-free evaluation limits which architectures can be tested on a given benchmark. Since each partition supports patches only within a finite radius, reporting this radius alongside the receptive field is essential for fair comparison. In addition, this study reveals that all ten architectures misclassify largely the same pixels, pointing to a spectral ambiguity in the data that none of them resolves.
• Abstract（参考訳）: ハイパースペクトル画像分類は、依然として単一のシーン内のランダムなピクセル分割に大きく依存している。 ランダムに分割されたSalinasデータセットは、異なるアーキテクチャを比較するために最も広く使用されているデータセットのひとつだ。 しかし、ランダムスプリット法では、大量のテストピクセルがトレーニングピクセルにすぐ隣に落下し、報告された精度を膨らませる。 本研究では,空間分離をモデル受容場にリンクするリークフリー評価プロトコルを提案する。 このプロトコルを古典、スペクトル、スペクトル空間、トランスフォーマー、ビジョンバックボーン、ステートスペースファミリを含む10の異なるアーキテクチャに適用すると、マクロF1は平均で0.147減少し、モデルランキングは最大5箇所まで変化する。 さらに、リークフリー評価では、特定のベンチマークでテスト可能なアーキテクチャが制限される。 各分割は有限半径の範囲内でのみパッチをサポートするので、この半径を受容場と共に報告することは公正な比較に不可欠である。 さらに、この研究は10のアーキテクチャがほぼ同一のピクセルを誤って分類し、それらが解決しないデータのスペクトルの曖昧さを示していることを明らかにした。

関連論文リスト

• Beyond Landmark Extraction: A Framework for Robust Geometric Feature Construction in Structured Image Classification [0.0]
  識別情報は個々のピクセルよりも、意味的部分間の空間的関係の方が少ない。 本稿では,ランドマーク後の特徴写像を解析の中心的対象として検討する。 摂動・アブレーション実験により,座標,距離,角度,ハイブリッド表現を評価した。
  論文  参考訳（メタデータ） (2026-09-01T03:10:55Z)
• Robust Scene Coordinate Regression via Geometrically-Consistent Global Descriptors [52.57327385675752]
  幾何学的構造と視覚的類似性の両方に整合したグローバルな記述子を学習するアグリゲータモジュールを提案する。 これにより、信頼できないオーバーラップスコアによる誤関連が修正される。 挑戦的なベンチマークの実験では、大規模環境ではかなりのローカライゼーションが得られた。
  論文  参考訳（メタデータ） (2025-12-19T04:24:03Z)
• Approximate Size Targets Are Sufficient for Accurate Semantic Segmentation [52.239136918460616]
  相対的なオブジェクトサイズ分布に近似するバイナリクラスタグを拡張することで、オフザシェルフアーキテクチャはセグメンテーション問題を解決することができる。 平均予測に対するゼロ回避KL偏差損失は、標準画素精度の監督に匹敵するセグメンテーション精度を生成する。 我々のアイデアはPASCAL VOC上で、近似オブジェクトサイズの人間のアノテーションを用いて検証されている。
  論文  参考訳（メタデータ） (2025-03-10T06:02:13Z)
• 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)
• Region-aware Attention for Image Inpainting [33.22497212024083]
  本稿では,画像の描画のための新しい領域認識アテンション (RA) モジュールを提案する。 単一サンプルにおける各画素対間の相関を直接計算することを避けることにより、ホール内の無効情報の誤認を回避することができる。 学習可能な領域辞書(LRD)を導入し、データセット全体に重要な情報を格納する。 我々の手法は、現実的な詳細で意味論的に妥当な結果を生成することができる。
  論文  参考訳（メタデータ） (2022-04-03T06:26:22Z)
• Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
  我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。 この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。 これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
  論文  参考訳（メタデータ） (2021-12-27T14:05:41Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Multi-temporal and multi-source remote sensing image classification by nonlinear relative normalization [17.124438150480326]
  emカーネル化により,異なるドメインのデータを非線形に整列する手法を検討する。 我々は,超スペクトルイメージングのためのシャドウイングに不変なモデルを作成する作業に加えて,多時間的および多元的超高分解能分類タスクにおいてkemaのテストに成功した。
  論文  参考訳（メタデータ） (2020-12-07T08:46:11Z)
• SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
  既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
  論文  参考訳（メタデータ） (2020-07-08T17:08:08Z)

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。