論文の概要: Few-Shot Open-Set Hyperspectral Pixel-Wise Classification with Spatial Aware Label Propagation
- arxiv url: http://arxiv.org/abs/2611.17974v1
- Date: Fri, 13 Nov 2026 10:00:47 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:33.614041
- Title: Few-Shot Open-Set Hyperspectral Pixel-Wise Classification with Spatial Aware Label Propagation
- Title(参考訳): 空間認識ラベル伝搬を用いた開領域ハイパースペクトル画素幅分類
- Abstract要約: 自己監督学習訓練(FOSSeL)による開集合ハイパースペクトル認識を提案する。
FOSSeLは、少数ショットでオープンセットのハイパースペクトルピクセルワイド分類のための統一されたフレームワークである。
提案手法を3つのベンチマークハイパースペクトルデータセット上で評価する。
- 参考スコア(独自算出の注目度): 3.8618939866504554
- License:
- Abstract: Pixelwise classification of hyperspectral images (HSI) is a fundamental task in remote sensing, but its deployment in real-world applications is often limited by the scarcity of labeled data and the presence of unknown classes at inference time. In this work, we propose Few-shot Open-set hyperspectral recognition from Self-Supervised Learning training (FOSSeL), a unified framework for few-shot, open-set hyperspectral pixelwise classification that does not require supervised training. The proposed approach first leverages self-supervised learning to construct a discriminative feature space from unlabeled data. Then, given a small set of labeled seed pixels, class predictions are obtained through spatially-aware graph-based label propagation over superpixel representations, enabling the joint exploitation of spectral similarity and spatial consistency. To address the open-set scenario, we introduce simple yet effective strategies to identify pixels that do not belong to the known classes. We evaluate FOSSeL on three benchmark hyperspectral datasets under multiple few-shot settings. The results show that the proposed framework achieves competitive or superior performance compared to fully supervised methods while maintaining robustness in the presence of unknown classes. These findings highlight the potential of combining self-supervised feature learning with graph-based inference for practical HSI analysis in low-annotation and open-world scenarios.
- Abstract(参考訳): ハイパースペクトル画像(HSI)の画素的分類はリモートセンシングの基本的な課題であるが、ラベル付きデータの不足と推論時の未知のクラスの存在によって、実世界のアプリケーションへの展開が制限されることがしばしばある。
本研究では,FOSSeL(Few-shot Open-set Hyperspectral Recognition from Self-Supervised Learning Training)を提案する。
提案手法はまず自己教師付き学習を利用してラベルなしデータから識別的特徴空間を構築する。
そして、ラベル付きシードピクセルの小さなセットが与えられた場合、クラス予測は、超画素表現上の空間認識グラフベースのラベル伝搬によって得られ、スペクトル類似性と空間整合性の合同利用を可能にする。
オープンセットのシナリオに対処するために、既知のクラスに属さないピクセルを識別するためのシンプルで効果的な戦略を導入する。
FOSSeLを複数の撮影条件下で3つのベンチマークハイパースペクトルデータセット上で評価した。
提案手法は,未知のクラスの存在下で頑健さを維持しつつ,完全教師付き手法と比較して,競争力や優れた性能を達成できることを示す。
これらの知見は,低アノテーションおよびオープンワールドシナリオにおいて,自己教師付き特徴学習とグラフベースの推論を組み合わせた実践的HSI分析の可能性を強調した。
関連論文リスト
- Harnessing Vision-Language Models for Federated Unsupervised Visual Recognition [54.566431756489266]
フェデレートラーニング(FL)は、データ共有なしに分散クライアント間で協調的なモデルトレーニングを可能にする、有望な研究パラダイムである。
我々は、CLIPのような事前学習された視覚言語モデルのゼロショット機能を活用することで、教師なし認識のために設計された最初のフレームワークであるFedURを紹介する。
論文 参考訳(メタデータ) (2026-11-09T10:42:00Z) - An Ensemble-Based Self-Taught Learning Approach for Parking Space Classification Under Limited Data [0.0]
畳み込みオートエンコーダを用いた教師なし表現学習に基づく自己学習フレームワークについて検討する。
提案手法はラベルのないデータから伝達可能な視覚表現を学習し、教師付き分類のための固定特徴抽出器として学習エンコーダを再利用する。
PKLot と CNRPark のベンチマークで行った実験から,提案したアンサンブルベースの戦略はアノテーションの要求を大幅に低減することが示された。
論文 参考訳(メタデータ) (2026-09-03T01:35:02Z) - Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。
ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。
グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
論文 参考訳(メタデータ) (2025-06-11T16:41:34Z) - Electromagnetic Scattering Kernel Guided Reciprocal Point Learning for SAR Open-Set Recognition [6.226365654670747]
Open Set Recognition (OSR)は、未知のクラスを「未知」と表現しながら、既知のクラスを分類することを目的とする。
オープンセットSAR分類を強化するために,相互学習ネットワークを用いた散乱カーネルと呼ばれる手法を提案する。
大規模属性散乱中心モデルに基づく畳み込みカーネルの設計を提案する。
論文 参考訳(メタデータ) (2024-11-07T13:26:20Z) - Learning Common Rationale to Improve Self-Supervised Representation for
Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。
SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文 参考訳(メタデータ) (2023-03-03T02:07:40Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳(メタデータ) (2021-11-19T10:15:22Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳(メタデータ) (2021-06-29T08:08:33Z) - Unsupervised Image Classification for Deep Representation Learning [42.09716669386924]
埋め込みクラスタリングを使わずに、教師なしのイメージ分類フレームワークを提案する。
提案手法の有効性を証明するために,ImageNetデータセットの実験を行った。
論文 参考訳(メタデータ) (2020-06-20T02:57:06Z)
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。