Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE)

要約

ハイパースペクトル画像処理は急速に発展している分野であり、ディープラーニング技術の台頭を目の当たりにし、様々なアプリケーションにおいて古典的な特徴抽出・分類手法に取って代わっている。しかし、多くの研究者はハイパースペクトル画像処理に任意のアーキテクチャを採用しており、多くの場合、スペクトル情報と空間情報の相互作用を厳密に分析することはない。この見落としは、これら2つのモダリティを組み合わせることがモデルの性能に与える影響を軽視している。 本稿では、ハイパースペクトル画像セグメンテーションのための多様なディープラーニングアーキテクチャの性能を評価する。我々の分析では、様々なスペクトルおよび空間粒度にまたがる異なるアーキテクチャの影響を分離する。具体的には、セグメンテーションの結果に対するスペクトル分解能（スペクトル情報の取得）と空間テクスチャ（空間的詳細の伝達）の効果を調査する。さらに、もともとRGB画像用に設計された大規模な事前学習済み画像基礎モデルからハイパースペクトル領域への知識の移植性を探る。 その結果、スペクトルデータとともに空間情報を組み込むことがセグメンテーション結果の改善につながり、スペクトルと空間情報からなる新しいアーキテクチャと、RGB基礎モデルのハイパースペクトル領域への適応に関するさらなる研究が不可欠であることが示された。 さらに、Tecnalia WEEE Hyperspectral データセットのクリーニングと一般公開により、この分野に貢献する。このデータセットには、銅、真鍮、アルミニウム、ステンレス鋼、白銅を含む廃電気電子機器（WEEE）のさまざまな非鉄分画が含まれており、その範囲は400～1000 nmに及ぶ。 我々は、これらの結論がハイパースペクトルイメージングの分野における新たな研究者の指針となることを期待している。

要約(オリジナル)

Hyperspectral imaging, a rapidly evolving field, has witnessed the ascendancy of deep learning techniques, supplanting classical feature extraction and classification methods in various applications. However, many researchers employ arbitrary architectures for hyperspectral image processing, often without rigorous analysis of the interplay between spectral and spatial information. This oversight neglects the implications of combining these two modalities on model performance. In this paper, we evaluate the performance of diverse deep learning architectures for hyperspectral image segmentation. Our analysis disentangles the impact of different architectures, spanning various spectral and spatial granularities. Specifically, we investigate the effects of spectral resolution (capturing spectral information) and spatial texture (conveying spatial details) on segmentation outcomes. Additionally, we explore the transferability of knowledge from large pre-trained image foundation models, originally designed for RGB images, to the hyperspectral domain. Results show that incorporating spatial information alongside spectral data leads to improved segmentation results, and that it is essential to further work on novel architectures comprising spectral and spatial information and on the adaption of RGB foundation models into the hyperspectral domain. Furthermore, we contribute to the field by cleaning and publicly releasing the Tecnalia WEEE Hyperspectral dataset. This dataset contains different non-ferrous fractions of Waste Electrical and Electronic Equipment (WEEE), including Copper, Brass, Aluminum, Stainless Steel, and White Copper, spanning the range of 400 to 1000 nm. We expect these conclusions can guide novel researchers in the field of hyperspectral imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL