論文の概要: Using Low-rank Representation of Abundance Maps and Nonnegative Tensor Factorization for Hyperspectral Nonlinear Unmixing

• arxiv url: http://arxiv.org/abs/2103.16204v1
• Date: Tue, 30 Mar 2021 09:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:40:50.917044
• Title: Using Low-rank Representation of Abundance Maps and Nonnegative Tensor Factorization for Hyperspectral Nonlinear Unmixing
• Title（参考訳）: ハイパースペクトル非線形アンミックスにおける低ランクアウンダンスマップと非負テンソルファクトリゼーションの利用
• Authors: Lianru Gao, Zhicheng Wang, Lina Zhuang, Haoyang Yu, Bing Zhang, Jocelyn Chanussot
• Abstract要約: 一般化双線形モデル(GBM)を解く非線形低ランクテンソルアンミックスアルゴリズムを提案する。 具体的には、GBMの線形部分と非線形部分の両方をテンソルとして表すことができる。 原子量マップと非線形相互作用マップの低ランク構造は、原子核ノルムを最小化する。
• 参考スコア（独自算出の注目度）: 28.064111391414773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensor-based methods have been widely studied to attack inverse problems in hyperspectral imaging since a hyperspectral image (HSI) cube can be naturally represented as a third-order tensor, which can perfectly retain the spatial information in the image. In this article, we extend the linear tensor method to the nonlinear tensor method and propose a nonlinear low-rank tensor unmixing algorithm to solve the generalized bilinear model (GBM). Specifically, the linear and nonlinear parts of the GBM can both be expressed as tensors. Furthermore, the low-rank structures of abundance maps and nonlinear interaction abundance maps are exploited by minimizing their nuclear norm, thus taking full advantage of the high spatial correlation in HSIs. Synthetic and real-data experiments show that the low rank of abundance maps and nonlinear interaction abundance maps exploited in our method can improve the performance of the nonlinear unmixing. A MATLAB demo of this work will be available at https://github.com/LinaZhuang for the sake of reproducibility.
• Abstract（参考訳）: ハイパースペクトル像(HSI)立方体は自然に3階テンソルとして表現でき、画像内の空間情報を完全に保持できるため、ハイパースペクトルイメージングにおける逆問題に対するテンソル法が広く研究されている。 本稿では,線形テンソル法を非線形テンソル法に拡張し,一般化双線形モデル(GBM)を解く非線形低ランクテンソルアンミックスアルゴリズムを提案する。 具体的には、GBMの線型部分と非線形部分の両方をテンソルとして表すことができる。 さらに, 原子核ノルムを最小化し, HSIの空間相関を最大限に活用することにより, 密度分布マップと非線形相互作用分布マップの低ランク構造を生かした。 合成および実データ実験により, 空隙マップの低ランク化と非線形相互作用量マップの活用により, 非線形アンミキシングの性能が向上することを示した。 この作業のMATLABデモは再現性のためにhttps://github.com/LinaZhuangで公開される。

関連論文リスト

• Weight-based Decomposition: A Case for Bilinear MLPs [0.0]
  GLU(Gated Linear Units)は、現代の基礎モデルにおいて一般的なビルディングブロックとなっている。 Bilinear 層は "gate" の非線形性を低下させるが、他の GLU に匹敵する性能を持つ。 双線型テンソルを相互作用する固有ベクトルの集合に分解する手法を開発する。
  論文  参考訳（メタデータ） (2024-06-06T10:46:51Z)
• Deep Nonlinear Hyperspectral Unmixing Using Multi-task Learning [0.0]
  本稿では,ディープラーニングに基づく非教師なし非線形アンミックス手法を提案する。 2つのブランチを連携させる補助的なタスクを導入します。 この手法はオーバーフィッティングを緩和する正規化器と見なすことができ、ネットワーク全体の性能が向上する。
  論文  参考訳（メタデータ） (2024-02-05T02:52:25Z)
• Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
  計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。 金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
  論文  参考訳（メタデータ） (2023-10-06T00:47:57Z)
• Dynamical chaos in nonlinear Schr\"odinger models with subquadratic power nonlinearity [137.6408511310322]
  ランダムポテンシャルと準4次パワー非線形性を持つ非線形シュリンガー格子のクラスを扱う。 拡散過程は亜拡散性であり, 微細構造が複雑であることを示す。 二次パワー非線形性の限界も議論され、非局在化境界をもたらすことが示されている。
  論文  参考訳（メタデータ） (2023-01-20T16:45:36Z)
• Low-Rank Tensor Function Representation for Multi-Dimensional Data Recovery [52.21846313876592]
  低ランクテンソル関数表現(LRTFR)は、無限解像度でメッシュグリッドを超えてデータを連続的に表現することができる。 テンソル関数に対する2つの基本的な概念、すなわちテンソル関数ランクとローランクテンソル関数分解を開発する。 提案手法は,最先端手法と比較して,提案手法の優越性と汎用性を裏付けるものである。
  論文  参考訳（メタデータ） (2022-12-01T04:00:38Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
  リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。 ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。 この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。 提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
  論文  参考訳（メタデータ） (2021-11-29T16:42:15Z)
• Nonlinear Transform Induced Tensor Nuclear Norm for Tensor Completion [12.788874164701785]
  我々はNTTNNとPAMアルゴリズムの理論的収束性に沿って低ランクテンソル完備化(LRTC)モデルを提案する。 本手法は,線形変換に基づく最先端核標準(TNN)法よりも質的に,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-17T09:25:37Z)
• HyperNTF: A Hypergraph Regularized Nonnegative Tensor Factorization for Dimensionality Reduction [2.1485350418225244]
  ハイパーグラフ正規化非負因子法(HyperNTF)という新しい手法を提案する。 HyperNTFはテンソルファクタリゼーションにおいて非負性を維持し、最も近い近傍間の高次関係を明らかにすることができる。 実験の結果,HyperNTFはクラスタリング解析において最先端のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-01-18T01:38:47Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)

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。