論文の概要: Constrained Nonnegative Matrix Factorization for Blind Hyperspectral Unmixing incorporating Endmember Independence

• arxiv url: http://arxiv.org/abs/2003.01041v5
• Date: Sat, 7 Aug 2021 04:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 05:41:53.402649
• Title: Constrained Nonnegative Matrix Factorization for Blind Hyperspectral Unmixing incorporating Endmember Independence
• Title（参考訳）: 終末独立性を考慮したブラインドハイパースペクトルアンミキシングにおける非負行列係数の制約
• Authors: E.M.M.B. Ekanayake, H.M.H.K. Weerasooriya, D.Y.L. Ranasinghe, S. Herath, B. Rathnayake, G.M.R.I. Godaliyadda, M.P.B. Ekanayake, H.M.V.R. Herath
• Abstract要約: 本稿では,KbSNMF(Kurtosis-based Smooth Non negative Matrix Factorization)と呼ばれる新しいブラインドHUアルゴリズムを提案する。 終端スペクトルの確率密度関数の統計的独立性に基づく新しい制約が組み込まれている。 これは特に高スペクトルデータからエンドメンバースペクトルを抽出するという点で優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral unmixing (HU) has become an important technique in exploiting hyperspectral data since it decomposes a mixed pixel into a collection of endmembers weighted by fractional abundances. The endmembers of a hyperspectral image (HSI) are more likely to be generated by independent sources and be mixed in a macroscopic degree before arriving at the sensor element of the imaging spectrometer as mixed spectra. Over the past few decades, many attempts have focused on imposing auxiliary constraints on the conventional nonnegative matrix factorization (NMF) framework in order to effectively unmix these mixed spectra. As a promising step toward finding an optimum constraint to extract endmembers, this paper presents a novel blind HU algorithm, referred to as Kurtosis-based Smooth Nonnegative Matrix Factorization (KbSNMF) which incorporates a novel constraint based on the statistical independence of the probability density functions of endmember spectra. Imposing this constraint on the conventional NMF framework promotes the extraction of independent endmembers while further enhancing the parts-based representation of data. Experiments conducted on diverse synthetic HSI datasets (with numerous numbers of endmembers, spectral bands, pixels, and noise levels) and three standard real HSI datasets demonstrate the validity of the proposed KbSNMF algorithm compared to several state-of-the-art NMF-based HU baselines. The proposed algorithm exhibits superior performance especially in terms of extracting endmember spectra from hyperspectral data; therefore, it could uplift the performance of recent deep learning HU methods which utilize the endmember spectra as supervisory input data for abundance extraction.
• Abstract（参考訳）: hyperspectral unmixing (hu) は、混合画素を分数量重み付けされたエンドメンバーの集合に分解するため、ハイパースペクトルデータを利用する重要な技術となっている。 ハイパースペクトル画像(HSI)の端部材は、独立したソースによって生成され、画像分光器のセンサー素子に混合スペクトルとして到着する前にマクロ度に混合される可能性が高い。 過去数十年にわたり、これらの混合スペクトルを効果的に解き放つために、従来の非負行列分解(NMF)フレームワークに補助的な制約を課すことに多くの試みがなされてきた。 本稿では, 終末スペクトルの確率密度関数の統計的独立性に基づく新しい制約を組み込んだ, クルトーシスに基づく滑らかな非負行列因子分解(KbSNMF)と呼ばれる新しいブラインドHUアルゴリズムを提案する。 この制約を従来のNMFフレームワークに課すことで、独立したエンドメンバーの抽出を促進すると同時に、データ部分に基づく表現をさらに強化する。 多様な合成HSIデータセット(多数のエンドメンバー、スペクトルバンド、ピクセル、ノイズレベルを含む)と3つの標準実HSIデータセットによる実験は、いくつかの最先端NMFベースのHUベースラインと比較して提案されたKbSNMFアルゴリズムの有効性を示している。 提案手法は,特にハイパースペクトルデータからエンドメンバースペクトルを抽出する点において優れた性能を示すため,エンドメンバースペクトルを過剰抽出のための監督入力データとして用いる最近のディープラーニングhu法の性能を向上させることができる。

関連論文リスト

• Robust spectral clustering with rank statistics [0.3823356975862007]
  固有ベクトルに基づくクラスタリングは、原データ行列からエントリーワイドに導出される非パラメトリックランク統計の行列に適用される。 我々の主な理論的貢献は3倍であり、柔軟なデータ生成条件の下で保持される。 人間のコネクトームのデータセットの場合,本手法は相似次元の減少と,地中神経解剖学的クラスター構造の回復を改善させる。
  論文  参考訳（メタデータ） (2024-08-19T16:33:44Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
  本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
  論文  参考訳（メタデータ） (2022-04-10T09:37:41Z)
• Constrained non-negative matrix factorization enabling real-time insights of $\textit{in situ}$ and high-throughput experiments [0.0]
  非負行列因子化(NMF)法は、ストリーミングスペクトルデータのリアルタイム解析に魅力的な教師なし学習法を提供する。 我々は,NMFの重みや成分の制約が,真に根底にある現象を明らかにする上で,いかに顕著な改善をもたらすかを示す。
  論文  参考訳（メタデータ） (2021-04-02T03:04:24Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors [14.032039261229853]
  ハンドクラフト・レギュレータと学習用レギュレータをデータから併用したNMFベースのアンミックス・フレームワークを提案する。 我々は,様々な画像デノイザを用いて,関連するサブプロブレムに対処可能なアブリダンスの学習先行をプラグインする。
  論文  参考訳（メタデータ） (2020-10-09T14:40:20Z)
• Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
  画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。 この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。 その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-15T15:46:09Z)
• Blind Source Separation for NMR Spectra with Negative Intensity [0.0]
  我々は、負の強度を含むNMRスペクトル分析のためのブラインド音源分離手法をベンチマークした。 FastICA、SIMPLISMA、NNMFは最高のパフォーマンス技術である。 FastICAとSIMPLISMAの精度は、過剰な(非現実的な)純粋なコンポーネントが予測されると急速に低下する。
  論文  参考訳（メタデータ） (2020-02-07T20:57:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。