fulfulggg
commented
2 weeks ago @yukihiko-fuyuki が以下のラベルを提案し、適用しました：
- domain-generalization
- image-classification
- new-label: hyperspectral-image-analysis
以下の新しいラベルが作成され、適用されました：
- new-label: hyperspectral-image-analysis
タイトル: S4DL: ハイパースペクトル画像の教師なしドメイン適応のためのシフト感度型空間スペクトル分離学習
リンク: https://arxiv.org/abs/2408.15263
概要:
ハイパースペクトル画像(HSI)分類で広く研究されている教師なしドメイン適応技術は、ラベル付きのソースドメインデータとラベルなしのターゲットドメインデータを使用して、シーン横断分類のためのドメイン不変特徴を学習することを目的としています。自然画像と比較して、HSIの多数のスペクトルバンドは豊富な意味情報を提供しますが、ドメインシフトも大幅に増加させます。既存の方法のほとんどでは、明示的なアラインメントと暗黙的なアラインメントの両方で、スペクトル内のドメイン情報を無視して、特徴分布の単純なアラインメントが行われています。ソースドメインとターゲットドメイン間でスペクトルチャネルが明確に区別される場合、これらの方法の転移性能は低下する傾向があることに注意しました。さらに、さまざまなデータセットにわたるドメインシフトのばらつきにより、パフォーマンスが大きく変動します。これらの問題に対処するために、新しいシフト感応型空間スペクトル分離学習 (S4DL) アプローチが提案されています。S4DLでは、勾配ガイド付き空間スペクトル分解は、ドメイン分類からの勾配のガイダンスの下で調整されたマスクを生成することにより、ドメイン固有表現とドメイン不変表現を分離するように設計されています。シフト感応型適応モニターは、ドメインシフトの大きさに応じて分離の強度を調整するために定義されています。さらに、意味だけでなく、浅いレベルの詳細情報にも存在するドメイン情報を保持するために、可逆ニューラルネットワークが構築されています。いくつかのクロスシーンHSIデータセットに関する広範な実験結果は、S4DLが最先端のUDAメソッドよりも優れていることを一貫して証明しました。ソースコードはhttps://github.com/xdu-jjgs/S4DLで入手できます。