論文の概要: Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors

• arxiv url: http://arxiv.org/abs/2010.04611v1
• Date: Fri, 9 Oct 2020 14:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:15:52.227540
• Title: Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors
• Title（参考訳）: 非負行列因子分解による超スペクトルアンミキシング
• Authors: Min Zhao, Tiande Gao, Jie Chen, Wei Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.032039261229853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, nonnegative matrix factorization (NMF) based methods have been widely applied to blind spectral unmixing. Introducing proper regularizers to NMF is crucial for mathematically constraining the solutions and physically exploiting spectral and spatial properties of images. Generally, properly handcrafting regularizers and solving the associated complex optimization problem are non-trivial tasks. In our work, we propose an NMF based unmixing framework which jointly uses a handcrafting regularizer and a learnt regularizer from data. we plug learnt priors of abundances where the associated subproblem can be addressed using various image denoisers, and we consider an l_2,1-norm regularizer to the abundance matrix to promote sparse unmixing results. The proposed framework is flexible and extendable. Both synthetic data and real airborne data are conducted to confirm the effectiveness of our method.
• Abstract（参考訳）: 今日では、非負行列分解(NMF)に基づく手法がブラインドスペクトルのアンミックスに広く適用されている。 適切な正規化器をNMFに導入することは、解を数学的に制限し、画像のスペクトル特性と空間特性を物理的に活用するために重要である。 一般に、適切に手作りの正規化器と関連する複素最適化問題を解くことは非自明なタスクである。 本研究では,データから手作りレギュラライザと学習者レギュラライザを併用した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,種々の画像デノイザを用いて関連する部分問題に対処できる存在量の学習前処理をプラグインし,l_2,1-ノルム正則化器を存在量行列に適用し,スパース・アンミックス結果を促進させる。 提案されたフレームワークは柔軟で拡張可能である。 本手法の有効性を確認するために合成データと実空力データの両方を行った。

関連論文リスト

• Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
  本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。 理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
  論文  参考訳（メタデータ） (2023-08-26T06:12:33Z)
• Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using Convolutional Autoencoders [6.867229549627128]
  リフレクションに基づく教師なしアンミキシングのための新しいオートエンコーダネットワークを提案する。 合成データと実データの両方を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-14T18:11:52Z)
• Quadratic Matrix Factorization with Applications to Manifold Learning [1.6795461001108094]
  本稿では,データセットの配置する曲線多様体を学習するための2次行列分解(QMF)フレームワークを提案する。 アルゴリズムでは,QMFを最適化し,その理論的収束特性を確立するための交代最小化アルゴリズムを提案する。 合成多様体学習データセットとMNIST手書きデータセットと低温電子顕微鏡データセットを含む2つの実データセットの実験は、提案手法が競合相手よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:09:00Z)
• A Novel Maximum-Entropy-Driven Technique for Low-Rank Orthogonal Nonnegative Matrix Factorization with $\ell_0$-Norm sparsity Constraint [0.0]
  データ駆動制御と機械学習では、大きな行列を小さく、低ランクな要素に分解する、という一般的な要件がある。 本稿では,直交非負行列分解(ONMF)問題に対する革新的な解を提案する。 提案手法は,文献と同等あるいは改善された復元誤差を実現する。
  論文  参考訳（メタデータ） (2022-10-06T04:30:59Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation [9.844796520630522]
  非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。 従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。 本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
  論文  参考訳（メタデータ） (2022-06-07T05:27:08Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Robust Matrix Factorization with Grouping Effect [28.35582493230616]
  グループ化効果を用いた行列分解法(GRMF)を提案する。 提案した GRMF は、事前の知識なしに、MF におけるグループ構造と疎性を学ぶことができる。 外れ値と汚染ノイズを持つ実世界のデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-06-25T15:03:52Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• 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)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)

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。