論文の概要: Band-Selection Stability and Semantic Segmentation Performance: A Study on Hyperspectral City

• arxiv url: http://arxiv.org/abs/2609.31074v1
• Date: Fri, 25 Sep 2026 10:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.33508
• Title: Band-Selection Stability and Semantic Segmentation Performance: A Study on Hyperspectral City
• Title（参考訳）: 帯域選択安定性とセマンティックセグメンテーション性能:ハイパースペクトルシティに関する研究
• Abstract要約: リソース制約は、自律的な知覚において高次元ハイパースペクトルイメージングを困難にする。 本研究は,10個の独立したクラス平衡領域に対して6つのバンド選択法を評価する。
• 参考スコア（独自算出の注目度）: 3.4235079674605218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resource constraints make high-dimensional hyperspectral imaging challenging in autonomous perception, motivating the use of band selection methods. However, the sensitivity of band-selection methods to sampled data and their relationship to semantic segmentation models (SSMs) remain underexplored. This study evaluates six band selection methods on ten independently sampled, class-balanced region-of-interest (ROI) sets, yielding 60 top-25 band subsets from the Hyperspectral City V2 (128 bands: 450-950nm) dataset. Top-$K$ bands ($K\in\{3,5, ... 13\}$) from the first three ROI sets are evaluated with three SSMs against the corresponding 128-band baseline. Experiments show that intra-method stability is method-dependent: Sim-LP shows the highest stability (pairwise Jaccard similarity) and, together with JMIM+CSNR, yields the best segmentation results. Top-$K$ based SSMs remain competitive with baselines, with gains of up to 2.01 mIoU and 1.72 mF1 points, and 18-22x faster CPU inference for $K=9$. However, performance does not improve monotonically with $K$, and stability shows no consistent association with SSM performance. These findings suggest that intra-method stability is informative but an unreliable indicator of downstream segmentation performance, highlighting the need to evaluate band-selection methods across repeated samples, subset sizes, and SSMs.
• Abstract（参考訳）: 資源制約は、自律的な知覚において高次元ハイパースペクトルイメージングを困難にし、バンド選択法の使用を動機付けている。 しかし,サンプルデータに対する帯域選択手法の感度とセマンティックセグメンテーションモデル(SSM)との関係はいまだ解明されていない。 本研究は,Heterspectral City V2 (128 Bands: 450-950nm) データセットから60個のトップ25バンドサブセットを抽出し,それぞれ独立にサンプリングしたクラスバランスの領域(ROI)集合上で6つのバンド選択法を評価する。 最初の3つのROIセットのK$バンド(K\in\{3,5, ... 13\}$)を、対応する128バンドベースラインに対して3つのSSMで評価する。 Sim-LP は JMIM+CSNR とともに最高のセグメンテーション結果を得る。 トップ$KベースのSSMはベースラインと競合し続けており、最大2.01 mIoUと1.72 mF1ポイント、K=9$の18-22倍高速なCPU推論がある。 しかし、$K$で単調に性能が向上することはなく、安定性はSSM性能と一貫した関係を示さない。 これらの結果から, 金属内安定性は有益であるが, 下流セグメンテーション性能の信頼性の低い指標であり, 繰り返しサンプル, サブセットサイズ, SSMのバンド選択法を評価する必要性が示唆された。

関連論文リスト

• Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization [15.611755201685936]
  固定された低深さ量子近似最適化アルゴリズム(QAOA)の4つのコストハミルトニアン族に対する古典的最適化をベンチマークする。 10は、1万から3万の関数評価の一般的な天井の下で25以上の独立したランと比較される。
  論文  参考訳（メタデータ） (2026-09-19T19:08:36Z)
• Heterogeneous 2D/1D Signal Representation Fusion for Underwater Acoustic Modulation Recognition Under Distribution Shift [14.066845914592564]
  変調認識システムは異種信号表現に依存している。 SCP-TriCA は STFT, cyclostationary, P2/P4 (2階および4階のパワースペクトル) を階層的に融合する。 UAMR-ShiftBenchでは、SCP-TriCAは95.33%の分配精度と74.59%のシミュレーションOOD平均を達成した。
  論文  参考訳（メタデータ） (2026-06-08T11:13:05Z)
• ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs [37.23311145049677]
  本稿では,機能異方性(Capability Anisotropy)を診断するためのスケーラブルなシステムであるReLEを提案する。 我々は,207,843サンプルからなる領域$times$ Capability SymbolicMatrixの304モデルを評価した。
  論文  参考訳（メタデータ） (2026-01-24T09:57:59Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• GroupMamba: Efficient Group-Based Visual State Space Model [66.35608254724566]
  状態空間モデル(SSM)は、最近、四次計算の複雑さで長距離依存を捉えることを約束している。 しかし、純粋にSSMベースのモデルは、コンピュータビジョンタスクにおける安定性と最先端の性能を達成するために重要な課題に直面している。 本稿では,コンピュータビジョンのためのSSMベースのモデルをスケールする上での課題,特に大規模モデルの不安定性と非効率性について論じる。
  論文  参考訳（メタデータ） (2024-07-18T17:59:58Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)

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。