教師なし高分解能スペクトル画像クラスタリングのための深層空間正則化および超画素ベース拡散学習
arXiv cs.CV / 2026/4/16
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、マスク付き深層表現学習と拡散ベースのクラスタリングを組み合わせた、教師なし高分解能スペクトル画像（HSI）クラスタリングの枠組みを提案する。
- まず、Vision Transformer をバックボーンとして用い、教師なしマスクドオートエンコーダ（UMAE）を訓練し、空間コンテキスト、長距離のスペクトル相関、そして画素のごく小さな部分のみへのマスキングを活用することで、ノイズ除去された潜在表現を学習する。
- 次に、entropy rate superpixel（ERS）手法で画像をセグメントし、元の HSI 空間上で直接ユークリッド距離を計算するのではなく、圧縮された潜在空間で算出したユークリッド距離および拡散距離に基づいて、空間的に正則化された拡散グラフを構築する。
- 提案手法 DS^2DL は、データマニフォールドの本質的な幾何構造により適合する拡散距離を得ることを目的とし、クラスタリング品質およびラベリング精度の向上を図る。
- Botswana および KSC データセットでの実験結果により、先行する拡散ベース手法と比較して DS^2DL の有効性を検証する。
