Core Concepts
本研究では、ハイパースペクトルイメージングデータとLiDARデータを統合し、注意機構とオートエンコーダを活用した新しい教師なしバンド選択フレームワークを提案する。このフレームワークにより、重要な空間的および分光的特徴を効果的に捉え、ハイパースペクトルデータセットの冗長性を削減することができる。
Abstract
本研究では、ハイパースペクトルイメージングデータとLiDARデータを統合し、新しい教師なしバンド選択フレームワークを提案している。
注意機構とオートエンコーダを組み合わせたアーキテクチャを開発し、ハイパースペクトルとLiDARの融合表現を学習する。
特徴の重要性を表す注意スコアを活用した独自の距離指標を提案し、階層的クラスタリングによる効果的なバンド選択を実現する。
3つのデータセット(Houston 2013、Trento、MUUFL)を用いた実験により、提案手法が既存の手法を大幅に上回る分類精度を達成することを示す。
提案手法は、ハイパースペクトルデータとLiDARデータの統合により、空間的および分光的特徴を効果的に捉え、冗長性を削減できることを実証している。
Stats
ハイパースペクトルイメージングデータは144バンド(380-1050nm)、空間解像度2.5mである。
LiDARデータはデジタル表面モデル(DSM)を表す。
Trentoデータセットは48バンド(400-950nm)、空間解像度1mである。
MUUFLデータセットは11クラスの土地被覆情報を含む。