論文の概要: Shared-Pattern Collaborative Network for Multi-Source Remote Sensing Data Classification

• arxiv url: http://arxiv.org/abs/2611.03069v1
• Date: Mon, 02 Nov 2026 12:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:30:37.362103
• Title: Shared-Pattern Collaborative Network for Multi-Source Remote Sensing Data Classification
• Title（参考訳）: マルチソースリモートセンシングデータ分類のための共有パタン協調ネットワーク
• Abstract要約: 本稿では,HSI と SAR/LiDAR 共同分類のための ShareAdaptive-Pattern Collaborative Network (SPCNet) を提案する。 SPCNetは、いくつかの最先端手法よりも優れた分類性能を実現する。
• 参考スコア（独自算出の注目度）: 43.71422182385572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-source remote sensing data classification has received growing attention recently. However, existing methods still struggle to jointly model long-range contextual dependencies and shared spatial patterns across heterogeneous modalities. To address this issue, we propose a Shared-Pattern Collaborative Network (SPCNet) for HSI and SAR/LiDAR joint classification. To enhance cross-modal collaborative learning, Shared-Pattern Collaborative Block (SPCB) is designed by introducing a shared large-kernel operator and a dynamic convolution branch, enabling the network to capture common spatial structures and content-adaptive local features. Furthermore, Region-Adaptive Modality Allocator (RAMA) is developed to assign spatially varying modality weights for reliable feature fusion. Experiments on Houston2013, Augsburg, and Houston2018 datasets demonstrate that SPCNet achieves superior classification performance over several state-of-the-art methods. The code will be made publicly available at https://github.com/oucailab/SPCNet
• Abstract（参考訳）: 近年,マルチソースリモートセンシングデータ分類が注目されている。 しかし、既存の手法は、不均一な様相をまたいだ長距離コンテキスト依存と共有空間パターンを共同でモデル化することに苦慮している。 この問題に対処するため,HSIとSAR/LiDAR共同分類のためのSPCNet(Shared-Pattern Collaborative Network)を提案する。 クロスモーダル・コラボレーティブ・ラーニングを強化するために、共有された大カーネル演算子と動的畳み込み分岐を導入し、ネットワークが共通の空間構造とコンテンツ適応型ローカル特徴をキャプチャできるようにすることにより、SPCB(Shared-Pattern Collaborative Block)を設計する。 さらに,領域適応型モダリティアロケータ(RAMA)を開発し,空間的に変化するモダリティ重みを信頼性のある特徴融合に割り当てる。 Houston2013、Augsburg、Houston2018データセットの実験は、SPCNetが最先端のいくつかの手法よりも優れた分類性能を達成することを示した。 コードはhttps://github.com/oucailab/SPCNetで公開される。

関連論文リスト

• Semantic-Guided Fusion Network for Multi-Source Remote Sensing Image Classification [42.943666137803184]
  マルチソースリモートセンシング画像分類のためのセマンティックガイド型フュージョンネットワーク(SGFNet)を提案する。 SMCBはコンテキスト関係に応じて意味認識型畳み込みカーネルを動的に生成するように設計されている。 FMFBは周波数領域で相互モード間相互作用を行うために導入された。
  論文  参考訳（メタデータ） (2026-09-16T21:50:29Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Dynamic Cross-Modal Feature Interaction Network for Hyperspectral and LiDAR Data Classification [66.59320112015556]
  ハイパースペクトル画像(HSI)とLiDARデータ共同分類は難しい課題である。 DCMNet(Dynamic Cross-Modal Feature Interaction Network)を提案する。 BSAB(Bilinear Spatial Attention Block)、BCAB(Bilinear Channel Attention Block)、ICB(Integration Convolutional Block)の3つの機能相互作用ブロックを導入している。
  論文  参考訳（メタデータ） (2025-03-10T05:50:13Z)
• CollaMamba: Efficient Collaborative Perception with Cross-Agent Spatial-Temporal State Space Model [12.461378793357705]
  マルチエージェント協調認識は環境のより深い理解を促進する。 協調知覚の最近の研究は、主にCNNやトランスフォーマーを用いて空間次元における特徴表現と融合を学習している。 資源効率の良い時間空間協調状態空間モデルCollaMambaを提案する。
  論文  参考訳（メタデータ） (2024-09-12T02:50:04Z)
• Specificity-preserving RGB-D Saliency Detection [103.3722116992476]
  本稿では,RGB-Dサリエンシ検出のための特異性保存ネットワーク(SP-Net)を提案する。 2つのモダリティ特化ネットワークと共有学習ネットワークを採用し、個別および共有唾液マップを生成する。 6つのベンチマークデータセットの実験では、SP-Netは他の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-08-18T14:14:22Z)
• Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
  提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。 私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
  論文  参考訳（メタデータ） (2021-07-28T03:46:57Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。