Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Convolution Properties II01:17

Convolution Properties II

557
The important convolution properties include width, area, differentiation, and integration properties.
The width property indicates that if the durations of input signals are T1 and T2, then the width of the output response equals the sum of both durations, irrespective of the shapes of the two functions. For instance, convolving two rectangular pulses with durations of 2 seconds and 1 second results in a function with a width of 3 seconds.
The area property asserts that the area under the...
557
Deconvolution01:20

Deconvolution

524
Deconvolution, also known as inverse filtering, is the process of extracting the impulse response from known input and output signals. This technique is vital in scenarios where the system's characteristics are unknown, and they must be inferred from the observable signals.
Deconvolution involves several mathematical techniques to derive the impulse response. One common approach is polynomial division. In this method, the input and output sequences are treated as coefficients of...
524
Convolution: Math, Graphics, and Discrete Signals01:24

Convolution: Math, Graphics, and Discrete Signals

796
In any LTI (Linear Time-Invariant) system, the convolution of two signals is denoted using a convolution operator, assuming all initial conditions are zero. The convolution integral can be divided into two parts: the zero-input or natural response and the zero-state or forced response, with t0 indicating the initial time.
To simplify the convolution integral, it is assumed that both the input signal and impulse response are zero for negative time values. The graphical convolution process...
796
Classification of Signals01:30

Classification of Signals

1.3K
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
1.3K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

[Establishment of malaria early warning system in Jiangsu Province VI Regular surveillance of eliminating malaria and its effect].

Zhongguo xue xi chong bing fang zhi za zhi = Chinese journal of schistosomiasis control·2016
Same author

miR-96 induces cisplatin chemoresistance in non-small cell lung cancer cells by downregulating SAMD9.

Oncology letters·2016
Same author

Fbxw7 Tumor Suppressor: A Vital Regulator Contributes to Human Tumorigenesis.

Medicine·2016
Same author

Internal conversion and intersystem crossing in α,β-enones: a combination of electronic structure calculations and dynamics simulations.

Physical chemistry chemical physics : PCCP·2016
Same author

Comparative study of the P2X gene family in animals and plants.

Purinergic signalling·2016
Same author

Role of deregulated microRNAs in non-small cell lung cancer progression using fresh-frozen and formalin-fixed, paraffin-embedded samples.

Oncology letters·2016
Same journal

Granular Ball-Based Noise-Resistant Fuzzy Multineighborhood Feature Selection via Label Enhancement and Feature Graph.

IEEE transactions on neural networks and learning systems·2026
Same journal

Fighting Evolving Spam With ARTMAP Models: A Noise-Resilient Online Detection Framework.

IEEE transactions on neural networks and learning systems·2026
Same journal

HyperSAT: Unsupervised Hypergraph Neural Networks for Weighted MaxSAT Problems.

IEEE transactions on neural networks and learning systems·2026
Same journal

Negation of Basic Belief Assignment in Multisource Information Fusion on Dempster-Shafer Theory With Applications in Pattern Classification.

IEEE transactions on neural networks and learning systems·2026
Same journal

Intervention Feasible Region and Driver Risk Capacity Aware Human-Machine Collaborative Safe Trajectory Planning.

IEEE transactions on neural networks and learning systems·2026
Same journal

A Unified Differential Denoising Learning Framework With a Pre-Trained Model and Fuzzy Graph Networks for Drug-Drug Interaction Prediction.

IEEE transactions on neural networks and learning systems·2026
関連記事をすべて見る

関連する実験動画

Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991

TGMN：高スペクトル画像分類のための2段階グラフ畳み込みマンバネットワーク

Yonghe Chu, Jun Cao, Junshi Xia

    IEEE transactions on neural networks and learning systems
    |December 19, 2025
    PubMed
    まとめ
    この要約は機械生成です。

    新しい2段階グラフ畳み込みマンバネットワーク（TGMN）は、局所的特徴と全体的特徴を逐次的に抽出することにより、高スペクトル画像（HSI）を効率的に分類します。このアプローチは、既存の方法と比較して計算コストを削減し、精度を向上させます。

    キーワード:
    高スペクトル画像分類グラフ畳み込みネットワークマンバネットワーク特徴抽出計算効率

    関連する実験動画

    Last Updated: Jan 8, 2026

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    991

    科学分野:

    • リモートセンシング
    • コンピュータビジョン
    • 機械学習

    背景:

    • 高スペクトル画像（HSI）分類には、局所的なスペクトル情報と全体的な空間情報の両方が必要です。
    • CNN、GCN、Transformerを使用する現在の手法では、複雑なマルチブランチ構造が採用されることが多く、高い計算コストと冗長性につながります。

    研究 の 目的:

    • HSI分類のための効率的かつ効果的な手法を提案すること。
    • 計算コストと冗長な情報に関して、既存のマルチブランチモデルの限界に対処すること。

    主な方法:

    • 逐次的な局所的および全体的な特徴抽出のための2段階グラフ畳み込みマンバネットワーク（TGMN）を導入します。
    • 最初の段階では、DSFRモジュールを備えたスーパーピクセルサブグラフでGCNを使用して、サブグラフ内の特徴集約と冗長性削減を行います。
    • 2番目の段階では、APEを備えたMambaネットワークを使用して、サブグラフ間の全体的な依存関係モデリングと空間コンテキスト統合を行います。

    主要な成果:

    • TGMNは、Indian Pinesで98.54%、Dioniで98.30%、Honghuで96.94%の高い分類精度を達成しました。
    • 提案手法は、最先端技術と比較して優れた性能を示しました。
    • TGMNは、高い分類精度を維持しながら計算コストを大幅に削減します。

    結論:

    • TGMNは、マルチブランチアーキテクチャの限界を克服し、局所的および全体的特徴を効果的に逐次的にモデル化します。
    • この手法は、高スペクトル画像分類のための効率的かつ正確なソリューションを提供します。
    • TGMNは、HSI解析の分野における有望な進歩を表しています。