Fugu-MT 論文翻訳(概要): Dimensionality reduction for AI based hyperspectral image classification based on XAI

論文の概要: Dimensionality reduction for AI based hyperspectral image classification based on XAI

arxiv url: http://arxiv.org/abs/2609.22333v1
Date: Wed, 16 Sep 2026 15:05:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:00.319442
Title: Dimensionality reduction for AI based hyperspectral image classification based on XAI
Title（参考訳）: XAIに基づくAIを用いたハイパースペクトル画像分類のための次元化
Abstract要約: 本研究は, 人工知能(AI)に基づく次元還元を利用した木材リサイクルプロセスにおける限られた材料リサイクルの課題に対処する。本研究では, マルチチャネルハイパースペクトルイメージング(HSI)における畳み込みニューラルネットワーク(CNN)の適用について検討した。
参考スコア（独自算出の注目度）: 39.146761527401424
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This research addresses the challenge of limited material recycling in wood recycling processes by leveraging artificial intelligence (AI)-based dimensionality reduction. Our study explores the application of convolutional neural networks (CNNs) in multi-channel hyperspectral imaging (HSI), extending beyond RGB channels to over 200 spectral channels. Dimensionality reduction within this context involves streamlining the feature space for AI system training and inference. Focusing on explainable AI (XAI) methods, this paper contributes to a broader research initiative, presenting a solution framework that enhances the sustainability and efficiency of wood recycling processes.
Abstract（参考訳）: 本研究は, 人工知能(AI)に基づく次元還元を利用した木材リサイクルプロセスにおける限られた材料リサイクルの課題に対処する。本研究では, マルチチャネルハイパースペクトルイメージング(HSI)における畳み込みニューラルネットワーク(CNN)の適用について検討した。この文脈における次元の減少には、AIシステムのトレーニングと推論のための特徴空間の合理化が含まれる。本稿では, 説明可能なAI (XAI) 手法に着目し, 木材リサイクルプロセスの持続性と効率を高めるためのソリューションフレームワークを提案する。

関連論文リスト

Entropy-Centric Explainable AI for Remote Sensing Image Segmentation [0.1957338076370071]
説明可能なAIは、意思決定の方法と理由に関する洞察を提供することによって、ギャップを埋めることを目指している。本稿では,セマンティックセグメンテーションのためのエントロピー中心のXAI手法を提案する。実験により, セマンティックセグメンテーションのためのXAI法と比較し, 提案手法の優位性を示した。
論文参考訳（メタデータ） (2026-08-11T15:31:07Z)
Unveiling Hidden Convexity in Deep Learning: a Sparse Signal Processing Perspective [51.908606610432194]
ディープニューラルネットワーク(DNN)は、さまざまな機械学習タスクで大きな成功を収めています。近年の研究では、特定のNNアーキテクチャが失われる際のいくつかの凸性を明らかにしている。
論文参考訳（メタデータ） (2026-03-25T01:34:04Z)
Neural network interpretability with layer-wise relevance propagation: novel techniques for neuron selection and visualization [0.49478969093606673]
本稿では,選択したニューロンのパーシングを改善する新しいアプローチを提案する。 Visual Geometry Group 16 (VGG16) アーキテクチャをケーススタディとして用いたLRP後方伝播本手法は、コンピュータビジョンアプリケーションのための、より透明な人工知能(AI)システムの開発を支援する。
論文参考訳（メタデータ） (2024-12-07T15:49:14Z)
Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2024-06-25T07:42:30Z)
Representation Engineering: A Top-Down Approach to AI Transparency [130.33981757928166]
表現工学の新たな領域(RepE)を特定し,特徴付ける RepEは、神経細胞や回路ではなく、人口レベルの表現を解析の中心に置く。これらの手法が、広範囲の安全関連問題に対してどのようにトラクションを提供するかを紹介する。
論文参考訳（メタデータ） (2023-10-02T17:59:07Z)
Cutting-Edge Techniques for Depth Map Super-Resolution [0.0]
市販の深度センサにおけるハードウェアの限界を克服するために、深度マップ超解像(DMSR)は実用的で価値のあるコンピュータビジョンタスクである。 DMSRのための共同画像フィルタリングは、空間不変かつ空間不変な畳み込みニューラルネットワーク(CNN)アプローチを用いて適用されている。本稿では,Swin変換器アーキテクチャを用いた新しい共同画像フィルタリングDMSRアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T06:57:08Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-11-17T11:06:29Z)
A Proper Orthogonal Decomposition approach for parameters reduction of Single Shot Detector networks [0.0]
本稿では,古典的モデルオーダー削減手法であるProper Orthogonal Decompositionに基づく次元削減フレームワークを提案する。我々は、PASCAL VOCデータセットを用いてSSD300アーキテクチャにそのようなフレームワークを適用し、ネットワーク次元の削減と、転送学習コンテキストにおけるネットワークの微調整における顕著な高速化を実証した。
論文参考訳（メタデータ） (2022-07-27T14:43:14Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
論文参考訳（メタデータ） (2020-03-17T14:18:37Z)

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。