要約: ハイパースペクトル画像は、シーンに関する膨大な高次元スペクトル情報を捉えるため、ラベリングは手間のかかるタスクとなり、標準的な統計手法だけでは対応が難しい。クラスタリングの教師なし学習はシーンの自動セグメンテーションを可能にし、画像をより迅速に理解できるようにする。データ内のスペクトル情報をWasserstein空間での辞書学習を介して分割することは、教師なしクラスタリングの有効な手法として証明されている。しかし、このアプローチはデータのスペクトルプロファイルのバランスを取る必要があり、クラスをぼかし、外れ値やノイズへの頑健性を犠牲にしてしまう。本論文では、基礎データの低次元表現を学習するために、非均衡Wasserstein重心を用いることでこのアプローチを改善することを提案する。学習された表現にスペクトルクラスタリングを適用することで、教師なしラベルの学習を効果的に実現する。
教師なしハイパースペクトル画像クラスタリングのための非均衡最適輸送辞書学習
arXiv cs.CV / 2026/3/12
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本研究は、非均衡Wasserstein重心を用いて、教師なしハイパースペクトル画像クラスタリングの低次元表現を学習し、従来のWasserstein辞書学習アプローチの頑健性とクラスバランスの限界に対処します。
- 非均衡の最適輸送（OT）は、スペクトルプロファイルのバランス取りによって生じるクラスのぼやけの傾向を低減し、外れ値やノイズへの頑健性を向上させることを示します。
- 学習された表現に対してスペクトルクラスタリングを適用することで、ハイパースペクトルシーンの教師なしラベリングとセグメンテーションを効果的に得られます。
- 本研究は教師なしハイパースペクトル解析を進展させ、リモートセンシングおよび自動画像セグメンテーションタスクに潜在的な影響を持つ可能性があります。
