論文の概要: Data Leakage in Patch-Based Hyperspectral Image Classification: Quantifying the Impact of Spatial Overlap
- arxiv url: http://arxiv.org/abs/2610.08770v1
- Date: Tue, 06 Oct 2026 17:55:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.159833
- Title: Data Leakage in Patch-Based Hyperspectral Image Classification: Quantifying the Impact of Spatial Overlap
- Title（参考訳）: パッチを用いたハイパースペクトル画像分類におけるデータ漏洩:空間オーバーラップの影響の定量化
- Abstract要約: 本稿では,パッチベースのHSI分類において,重複率 (OP) と平均重複率 (AOR) の2つの尺度を用いて,同級列車-テスト重複度を比較検討する。
Pavia Universityデータセットの実験では、SVM、2D-CNN、3D-CNN、ViT、MorpMambaを用いてランダムな空間サンプリングと非ランダムな空間サンプリングを比較した。
- 参考スコア（独自算出の注目度）: 2.538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patch-based learning improves hyperspectral image (HSI) classification by exploiting local spectral-spatial information, but random train-test sampling from the same image can cause spatial patch overlap, leading to data leakage and optimistic performance estimates. This paper investigates same-class train-test spatial overlap in patch-based HSI classification using two measures: overlap percentage (OP), which quantifies the global amount of overlapped testing patch pixels, and average overlap ratio (AOR), which measures the local severity among affected testing patches. Experiments on the Pavia University dataset compare random and non-random spatial sampling using SVM, MLP, 2D-CNN, 3D-CNN, ViT, and MorpMamba. The results show that deep patch-based models achieve high accuracy under random sampling, with 3D-CNN reaching 96.17% Overall Accuracy (OA), but drop substantially under non-random spatial sampling, where 3D-CNN decreases to 55.20% and ViT and 2D-CNN drop by 40.71 and 38.81 percentage points (PP), respectively. Patch-size analysis further shows that increasing the patch size from 5x5 to 19x19 raises the random-sampling overlap percentage from 23.28% to 77.02%. These findings demonstrate that random patch-based evaluation can substantially inflate classification performance, especially for models that strongly exploit spatial context. The code associated with this paper is available at: https://github.com/mqalkhatib/Data_Leakage_in_HSI_Classification.
- Abstract（参考訳）: パッチベースの学習は、局所スペクトル空間情報を利用してハイパースペクトル画像(HSI)分類を改善するが、同じ画像からのランダムなトレインテストサンプリングは、空間的パッチの重複を引き起こし、データ漏洩と楽観的なパフォーマンス推定をもたらす。
本稿では,重なり合うテストパッチ画素のグローバルな量を定量化する重複率 (OP) と,影響を受けるテストパッチの局所的重み度を測定する平均重複率 (AOR) の2つの尺度を用いて,パッチベースのHSI分類における同級列車の空間的重み付けについて検討する。
Pavia Universityデータセットの実験では、SVM, MLP, 2D-CNN, 3D-CNN, ViT, MorpMambaを用いてランダムな空間サンプリングと非ランダムな空間サンプリングを比較した。
その結果、3D-CNNの精度は96.17%に達したが、3D-CNNは55.20%に低下し、2D-CNNは40.71ポイント、38.81ポイント低下した。
パッチサイズ分析により、パッチサイズが5x5から19x19に増加すると、ランダムサンプリングの重複率は23.28%から77.02%に増加することが示されている。
これらの結果は、特に空間的文脈を強く活用するモデルにおいて、ランダムパッチに基づく評価が分類性能を大幅に向上させることを示した。
この論文に関連するコードは、https://github.com/mqalkhatib/Data_Leakage_in_HSI_Classification.comで公開されている。
関連論文リスト
- Spatial Attention Supervision for Defect Localization: Exploiting Ground-Truth Masks as Training Signal in Diffusion-Augmented Defect Detection [0.0]
産業用データセットの地道欠陥マスクは一般に評価のために予約されている。
本稿では,分類ネットワークの訓練中に空間的監視信号として再利用する。
論文 参考訳（メタデータ） (2026-09-05T19:20:23Z) - PatchHead: Learning Spatial Patch Evidence for Generalizable AI-Generated Image Detection [6.466210485064843]
本稿では,DINOパッチトークンの2次元構造を保存し,近隣地域の証拠を統合する軽量な空間アグリゲーションヘッドであるPatchHeadを紹介する。
PatchHeadは、手動でキュレートされた9つのクロスデータセットベンチマークと、それに続く2つのデータセットで第1位、第2位である。
平均平衡精度(+3.0点)では91.6%から94.6%に改善され、最悪の場合の精度は82.4%から89.4%(+6.9点)に上昇する。
論文 参考訳（メタデータ） (2026-08-10T07:47:22Z) - Hyperspectral Image Classification using Spectral-Spatial Mixer Network [2.538209532048867]
本稿では,高スペクトル画像(HSI)分類のための軽量かつ効果的なディープラーニングモデルであるSS-MixNetを紹介する。
このアーキテクチャは、局所スペクトル空間特徴抽出のための3次元畳み込み層と、2つの並列スタイルミキサーブロックを統合する。
QUH-TangdaowanとQUH-Qingyunのデータセット上で、ラベル付きデータのわずか1%を用いてモデルを評価する。
論文 参考訳（メタデータ） (2025-11-19T18:48:52Z) - Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。
3DzALは最先端の異常検出および局所化性能より優れていることを示す。
論文 参考訳（メタデータ） (2024-12-05T16:25:27Z) - 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) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Danish Fungi 2020 -- Not Just Another Image Recognition Dataset [0.0]
デンマークのFungi 2020(DF20)という新しいきめ細かいデータセットとベンチマークを紹介します。
データセットはデンマークの菌類アトラスに提出された観測結果から構築されている。
df20はimagenetと重複しないため、imagenetの公開チェックポイントから微調整されたモデルの偏りのない比較が可能になる。
論文 参考訳（メタデータ） (2021-03-18T09:33:11Z) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳（メタデータ） (2020-11-17T17:29:18Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z) - Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance
Disparity Estimation [51.17232267143098]
ステレオ画像から3次元物体を検出するための新しいシステムDisp R-CNNを提案する。
我々は、LiDAR点雲を必要とせずに、統計的形状モデルを用いて、密度の異なる擬似地下構造を生成する。
KITTIデータセットの実験によると、LiDARの基盤構造がトレーニング時に利用できない場合でも、Disp R-CNNは競争性能を達成し、平均精度で従来の最先端手法を20%上回っている。
論文 参考訳（メタデータ） (2020-04-07T17:48:45Z)
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。