論文の概要: Many Pixels, One Composition: Self-Supervised Spectra for Specimen-Level Prediction
- arxiv url: http://arxiv.org/abs/2611.06096v1
- Date: Wed, 04 Nov 2026 07:42:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.016043
- Title: Many Pixels, One Composition: Self-Supervised Spectra for Specimen-Level Prediction
- Title(参考訳): 多くのレンズと1つの構成: スペックレベル予測のための自己監督スペクトル
- Abstract要約: 我々は、ピクセルレベルで動作する自己教師型エンコーダを訓練する。
次に、エンコーダを凍結し、軽量の注意に基づく回帰ヘッドを教師付きで訓練する。
検体では,従来のスペクトルマッチングとアンミックスベースラインよりも有意に優れていた。
- 参考スコア(独自算出の注目度): 0.6627152091494143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Can hyperspectral (HS) imaging be used to predict the elemental composition of physical specimens found on the Earth's surface? We approach this problem as a supervised regression task, using an open dataset of specimens, each comprising a HS cube and elemental characterization. In particular, we train an encoder in a self-supervised fashion that operates on pixel-level; then freeze the encoder and train a lightweight attention-based regression head in a supervised manner, by pairing many representations of a given specimen with its corresponding elemental label. In test specimens, our approach significantly outperforms traditional spectral matching and unmixing baselines. It also outperforms supervised learning models based on the mean spectrum (of similar model capacity), while full model fine-tuning achieves the strongest performance, at substantially higher model capacity.
- Abstract(参考訳): ハイパースペクトル(HS)イメージングは、地球表面にある物理標本の元素組成を予測するのに使えるか?
本稿では,HS立方体と要素的特徴量からなる標本のオープンデータセットを用いて,この問題を教師付き回帰タスクとしてアプローチする。
特に,画素レベルで動作する自己教師型でエンコーダを訓練し,それに対応する要素ラベルと標本の多くの表現をペアリングすることにより,エンコーダを凍結し,軽量な注意に基づく回帰ヘッドを教師付きで訓練する。
検体では,従来のスペクトルマッチングとアンミックスベースラインよりも有意に優れていた。
また、教師付き学習モデル(類似のモデルキャパシティの平均スペクトル)よりも優れており、フルモデルファインチューニングはモデルキャパシティがかなり高く、最も高いパフォーマンスを達成する。
関連論文リスト
- HyperSAM: A Promptable Foundation Model for Hyperspectral Remote Sensing [57.56800341740446]
本稿では,データ中心のハイパースペクトル合成パイプラインとSegment Anything Model 3 (SAM3)に基づくスペクトル適応アーキテクチャを結合した,高速なハイパースペクトル基盤モデルを提案する。
データ側では、HyperSAMは物理インフォームド・アバンダンス・トランスファー・ジェネレータを通して高解像度のSpaceNetマルチスペクトル画像からフルスペクトル超スペクトル立方体を合成する。
モデル側の最新の実装では、凍ったSAM3 RGBイメージブランチ、RGBビジョン変換器(ViT)のトレーニング可能なハイパースペクトルサイドエンコーダ、コントロールネットスタイルのゼロ空間特徴注入、ライトウェイトなミキシングオブエキスパートマスクリファクタが使用されている。
論文 参考訳(メタデータ) (2026-09-29T12:10:13Z) - The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding [82.53463660564933]
セマンティックエンコーダは、主に抽象的意味を符号化する低周波成分をキャプチャするが、ピクセルエンコーダは微細な詳細を伝達する高周波情報を保持する。
本稿では,新しい周波数帯域変調器を用いて意味構造と画素の詳細を調和させるモデルであるUnified Autoencoding (UAE)を提案する。
論文 参考訳(メタデータ) (2025-12-22T18:59:57Z) - CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。
スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。
本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
論文 参考訳(メタデータ) (2025-04-27T13:06:40Z) - DiffSpectralNet : Unveiling the Potential of Diffusion Models for
Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。
まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。
この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文 参考訳(メタデータ) (2023-10-29T15:26:37Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。
私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。
本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
論文 参考訳(メタデータ) (2023-06-29T07:55:43Z) - Learning Neural Eigenfunctions for Unsupervised Semantic Segmentation [12.91586050451152]
スペクトルクラスタリング(英: Spectral clustering)は、異なるクラスタを構築するために画素のスペクトル埋め込みを計算する理論上の解である。
現在のアプローチは、まだスペクトル分解の非効率性と、試験データに適用する際の柔軟性に悩まされている。
この研究は、スペクトルクラスタリングをニューラルネットワークに基づく固有関数を用いてスペクトル埋め込みを生成するパラメトリックアプローチとしてキャストすることで、これらの問題に対処する。
実際には、神経固有関数は軽量であり、事前訓練されたモデルの特徴を入力とし、トレーニング効率を改善し、より密集した予測のための事前訓練されたモデルの可能性を解き放つ。
論文 参考訳(メタデータ) (2023-04-06T03:14:15Z) - Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。
生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
論文 参考訳(メタデータ) (2020-07-20T18:04:14Z)
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。