文献

J-GLOBAL ID：202202274354587305   整理番号：22A0396552

ハイパースペクトル没入多重スペクトル画像融合のための注意深い事前の変分正則化ネットワーク【JST・京大機械翻訳】

Variational Regularization Network With Attentive Deep Prior for Hyperspectral-Multispectral Image Fusion

著者 (4件)： Yang Jingxiang (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Xiao Liang (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Zhao Yong-Qiang (School of Automation, Northwestern Polytechnical University, Xi’an, China) ,  Chan Jonathan Cheung-Wai (Department of Electronics and Informatics, Vrije Universiteit Brussel, Brussels, Belgium)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5508817.1-17  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトル画像(HSI-MSI)融合はロバスト劣化モデルとデータに依存し,前者はスペクトルおよび空間領域におけるHSIの退化を記述し,後者は予想高分解能(HR)HSIの潜在統計量を明らかにした。実際には,劣化モデルはしばしば未知であり,事前のデータは解析的に表現するには複雑すぎる。本研究では,HSI-MSI融合(VaFuNet)のための変分ネットワークを提案し,そこでは,劣化モデルと事前データを深層学習ネットワークによって暗黙的に表現し,訓練データから共同学習した。深い事前によって正則化された変分融合モデルを最初に提案し,次に,半二次分割によって最適化して,深いネットワークに変性した。深い事前は近接演算子によって暗黙的に表現される。構造自己相似性のため,HSIは,異なるスケールにわたって構造再発を有する。このような非局所事前およびネットワークの表現性を高めるために,マルチスケール非局所注意を提案し,それを深い事前近接に埋め込む。劣化モデルと深い事前近接性を,エンドツーエンド訓練によって共同学習した。模擬および現実のHSIデータセットに関する実験結果は,提案したVaFuNet HSI-MSI融合法の有効性を実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *変分法 ,  *ネットワーク ,  *スペクトル ,  統計量 ,  エンドツーエンド方式 ,  *正則化 ,  高分解能 ,  ロバスト性
準シソーラス用語： 訓練データ ,  *ハイパースペクトル ,  ハイパースペクトル画像 ,  *マルチスペクトル画像 ,  マルチスケール ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： ハイパースペクトル ,  多重スペクトル画像 ,  融合 ,  注意 ,  変分 ,  正則化