論文の概要: Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing

• arxiv url: http://arxiv.org/abs/2105.10194v1
• Date: Fri, 21 May 2021 08:07:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 09:33:39.455781
• Title: Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing
• Title（参考訳）: Endmember-Guided Unmixing Network (EGU-Net): 自己監督型ハイパースペクトルアンミックスのための一般ディープラーニングフレームワーク
• Authors: Danfeng Hong and Lianru Gao and Jing Yao and Naoto Yokoya and Jocelyn Chanussot and Uta Heiden and Bing Zhang
• Abstract要約: 終端誘導アンミキシングネットワーク(EGU-Net)と呼ばれるハイパースペクトルアンミキシングのための一般的な深層学習手法を開発する。 EGU-Netは2ストリームのシームズディープネットワークであり、純粋なまたはほぼ純粋なエンドメンバーから追加のネットワークを学び、別の未混合ネットワークの重みを補正する。 結果として得られる一般的なフレームワークは、ピクセル単位のスペクトルアンミックスに限らず、空間スペクトルアンミックスのための畳み込み演算子を用いた空間情報モデリングにも適用できる。
• 参考スコア（独自算出の注目度）: 39.432539302311476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decades, enormous efforts have been made to improve the performance of linear or nonlinear mixing models for hyperspectral unmixing, yet their ability to simultaneously generalize various spectral variabilities and extract physically meaningful endmembers still remains limited due to the poor ability in data fitting and reconstruction and the sensitivity to various spectral variabilities. Inspired by the powerful learning ability of deep learning, we attempt to develop a general deep learning approach for hyperspectral unmixing, by fully considering the properties of endmembers extracted from the hyperspectral imagery, called endmember-guided unmixing network (EGU-Net). Beyond the alone autoencoder-like architecture, EGU-Net is a two-stream Siamese deep network, which learns an additional network from the pure or nearly-pure endmembers to correct the weights of another unmixing network by sharing network parameters and adding spectrally meaningful constraints (e.g., non-negativity and sum-to-one) towards a more accurate and interpretable unmixing solution. Furthermore, the resulting general framework is not only limited to pixel-wise spectral unmixing but also applicable to spatial information modeling with convolutional operators for spatial-spectral unmixing. Experimental results conducted on three different datasets with the ground-truth of abundance maps corresponding to each material demonstrate the effectiveness and superiority of the EGU-Net over state-of-the-art unmixing algorithms. The codes will be available from the website: https://github.com/danfenghong/IEEE_TNNLS_EGU-Net.
• Abstract（参考訳）: 過去数十年間、高スペクトルアンミックスのための線形または非線形混合モデルの性能向上に多大な努力が続けられてきたが、様々なスペクトル変動を同時に一般化し、物理的に意味のある終端部材を抽出する能力は、データフィッティングと再構成の能力の不足と様々なスペクトル変動に対する感度のために、依然として制限されている。 深層学習の強力な学習能力に着想を得て,超スペクトルアンミックスネットワーク(EGU-Net)と呼ばれるハイパースペクトル画像から抽出したエンドメンバーの特性を十分に考慮し,汎用的な深層学習手法の開発を試みた。 EGU-Netは、単独のオートエンコーダのようなアーキテクチャの他に、2ストリームのシームズディープネットワークであり、純粋またはほぼ純粋なエンドメンバーから追加のネットワークを学習し、ネットワークパラメータを共有し、スペクトル的に有意な制約(例えば、非負性および和対1)をより正確で解釈可能な未混合ソリューションに付加することで、他の未混合ネットワークの重みを補正する。 さらに、結果として得られる一般的なフレームワークは、画素単位のスペクトルアンミックスに限らず、空間スペクトルアンミックスのための畳み込み演算子を用いた空間情報モデリングにも適用できる。 各材料に対応するアブリダンスマップの基底構造を持つ3つの異なるデータセットで行った実験結果は、最先端の未混合アルゴリズムに対するEGU-Netの有効性と優位性を示している。 https://github.com/danfenghong/ieee_tnnls_egu-net。

関連論文リスト

• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Learning Interpretable Deep Disentangled Neural Networks for Hyperspectral Unmixing [16.02193274044797]
  非線形性および終端変動を考慮した高スペクトルアンミックスのための新しい解釈可能な深層学習法を提案する。 モデルは、バックプロパゲーションを使用してエンドツーエンドに学習され、セルフ教師付き戦略を使用してトレーニングされる。 合成および実データを用いた実験結果から,提案手法の性能が示唆された。
  論文  参考訳（メタデータ） (2023-10-03T18:21:37Z)
• G-Mix: A Generalized Mixup Learning Framework Towards Flat Minima [17.473268736086137]
  我々は、DNNモデルのトレーニングにMixupとSAMの強みを組み合わせた、Generalized-Mixupと呼ばれる新しい学習フレームワークを提案する。 本稿では2つの新しいアルゴリズムを提案する: バイナリG-Mixと分解G-Mixは、各サンプルのシャープネス感度に基づいてトレーニングデータを2つのサブセットに分割する。 理論的説明と実験結果の両方により、提案したBG-MixアルゴリズムとDG-Mixアルゴリズムは、複数のデータセットやモデルにわたるモデルの一般化をさらに強化することが明らかとなった。
  論文  参考訳（メタデータ） (2023-08-07T01:25:10Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Gaussian Mixture Graphical Lasso with Application to Edge Detection in Brain Networks [21.49394455839253]
  この作品はLatent DirichletAllocation (LDA)にインスパイアされたものです。 GaussianMixture Graphical Lasso (MGL) という新しいモデルを提案する。 mglは、各混合成分が生成する信号の比率とそれらのパラメータをemフレームワークを介して反復的に学習する。
  論文  参考訳（メタデータ） (2021-01-13T21:15:30Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)
• Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing [3.84448093764973]
  本稿では,多元HSI分類法を提案する。 我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。 次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
  論文  参考訳（メタデータ） (2020-04-01T17:14:05Z)

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。