ディーププログレッシブゼロ中心残差学習によるハイパースペクトル画像超解像【JST・京大機械翻訳】

Zhu Zhiyu; Hou Junhui; Chen Jie; Zeng Huanqiang; Zhou Jiantao

プレプリント

J-GLOBAL ID：202202219444753990 整理番号：21P0036122

ディーププログレッシブゼロ中心残差学習によるハイパースペクトル画像超解像【JST・京大機械翻訳】

Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年06月18日プレプリントサーバーでの情報更新日： 2020年12月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,低解像度HSI(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を併合するハイパースペクトル画像(HSI)超解像の問題を検討した。空間およびスペクトル情報のクロスモーダル分布は,この問題を挑戦的にする。古典的ウェーブレット分解ベースの画像融合に触発されて,著者らは,この問題を効率的かつ効果的に処理するために,新しい軽量深層ニューラルネットワークベースのフレームワーク,すなわち,進行性ゼロ中心残差ネットワーク(PZRes-Net)を提案した。特に,PZRes-Netは,スペクトル次元に沿った漸進的な様式で両方の入力から,すべてのスペクトルバンドにわたるシーンの高周波空間詳細を含む高分解能とゼロ中心性残留画像を学習する。そして,得られた残留画像を,次に,平均値不変マンナにおいて,アップサンプリングLR-HSIに重ね合わせて,粗いHR-HSIを導き,そしてそれは,同時に,すべてのスペクトルバンドを通して,コヒーレンスを調査することによって,さらに精密化した。残留画像を効率的かつ効果的に学習するために,高密度接続によるスペクトル空間分離可能畳込みを採用した。さらに,残留画像のゼロ平均特性を実現するために,各層の特徴マップに実装したゼロ平均正規化を提案した。実際のベンチマークデータセットと合成ベンチマークデータセットの両方に関する広範な実験は,PZRes-Netが4つの定量的メトリックと視覚品質の両方に関して,最先端の方法よりも性能的に優れており,例えば,PZRes-NetはPSNRを3dB以上改善し,一方,2.3×パラメータを節約し,15×少ないFLOPを消費することを示した。コードはhttps://github.com/zbzhzhy/PZRes Netで公開されている。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

図形・画像処理一般

, , ,

前のページに戻る