論文の概要: Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2205.09933v1
• Date: Fri, 20 May 2022 02:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:42:36.730734
• Title: Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review
• Title（参考訳）: 非負行列因子分解に基づくハイパースペクトルアンミキシング : 総合的考察
• Authors: Xin-Ru Feng, Heng-Chao Li, Rui Wang, Qian Du, Xiuping Jia, and Antonio Plaza
• Abstract要約: ハイパースペクトルアンミックスは、ハイパースペクトル画像から、一組のエンドメンバーとその対応する存在量を推定する。 非負行列分解(NMF)は、この問題の解決にますます重要な役割を果たす。 HSIの主特性を利用してNMFを改善する方法について述べる。
• 参考スコア（独自算出の注目度）: 25.50091058791411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral unmixing has been an important technique that estimates a set of endmembers and their corresponding abundances from a hyperspectral image (HSI). Nonnegative matrix factorization (NMF) plays an increasingly significant role in solving this problem. In this article, we present a comprehensive survey of the NMF-based methods proposed for hyperspectral unmixing. Taking the NMF model as a baseline, we show how to improve NMF by utilizing the main properties of HSIs (e.g., spectral, spatial, and structural information). We categorize three important development directions including constrained NMF, structured NMF, and generalized NMF. Furthermore, several experiments are conducted to illustrate the effectiveness of associated algorithms. Finally, we conclude the article with possible future directions with the purposes of providing guidelines and inspiration to promote the development of hyperspectral unmixing.
• Abstract（参考訳）: ハイパースペクトルアンミキシングは、ハイパースペクトル画像(HSI)からエンドメンバーとその対応する存在量を推定する重要な手法である。 非負行列分解(NMF)はこの問題を解く上でますます重要な役割を果たす。 本稿では,超スペクトルアンミックス法として提案されるNMF法について概説する。 NMFモデルをベースラインとして、HSIの主特性(スペクトル、空間、構造情報など)を利用してNMFを改善する方法を示す。 我々は,制約付きNMF,構造化NMF,一般化NMFの3つの重要な開発方向を分類した。 さらに,関連するアルゴリズムの有効性を示すため,いくつかの実験を行った。 最後に、ハイパースペクトルアンミックスの開発を促進するためのガイドラインとインスピレーションを提供する目的で、将来的な方向性でこの記事を締めくくります。

関連論文リスト

• Nonnegative Matrix Factorization in Dimensionality Reduction: A Survey [45.06188379747932]
  次元性低減は、特徴学習の精度を改善し、トレーニング時間を短縮する上で重要な役割を果たす。 非負行列因子化 (NMF) は次元減少のための人気かつ強力な方法として浮上している。 本稿では,NMFの総合的な調査を行い,特徴抽出と特徴選択の両分野への応用に焦点をあてる。
  論文  参考訳（メタデータ） (2024-05-06T16:32:01Z)
• Analyze the robustness of three NMF algorithms (Robust NMF with L1 norm, L2-1 norm NMF, L2 NMF) [5.708964539699851]
  本研究では,非負行列分解(NMF)の雑音に対する頑健性について検討した。 具体的には、L1 NMF、L2 NMF、L21 NMFという3つの異なるNMFアルゴリズムを採用する。 実験では、ルート平均二乗誤差(RMSE)、精度(ACC)、正規化相互情報(NMI)など、様々な評価指標を用いて、異なるNMFアルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2023-12-03T11:39:04Z)
• Analyzing Single Cell RNA Sequencing with Topological Nonnegative Matrix Factorization [0.43512163406551996]
  非負行列分解(NMF)は、結果として生じる低次元成分のメタジーン解釈によるユニークなアプローチを提供する。 この研究は、2つの永続ラプラシア正規化NMF法、すなわちトポロジカルNMF(TNMF)とロバストトトポロジカルNMF(rTNMF)を導入している。 合計12のデータセットを用いて、提案したTNMFとrTNMFが、他のNMFベースの手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-24T11:36:41Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• 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)
• Organic Priors in Non-Rigid Structure from Motion [102.41675461817177]
  本稿では,従来の非剛体構造における有機前駆体(NRSfM)の利用を提唱する。 この論文の主な貢献は、NRSfMを解くために、そのような有機的な先駆体を効果的に活用できる、シンプルで方法論的で実践的な方法を提案することである。
  論文  参考訳（メタデータ） (2022-07-13T15:07:50Z)
• SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
  我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。 各ブロックの推測は最適化の単一イテレーションに対応することを示す。 実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-26T08:17:39Z)
• 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)
• Algorithms for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence [20.671178429005973]
  Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。 目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。 我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
  論文  参考訳（メタデータ） (2020-10-05T11:51:39Z)
• Neighborhood Structure Assisted Non-negative Matrix Factorization and its Application in Unsupervised Point-wise Anomaly Detection [6.859284479314336]
  そこで本研究では,NMFフレームワークに近傍構造情報を組み込むため,最小分散木を用いてデータをモデル化する。 得られた手法をNMFの近傍構造としてラベル付けする。 20のベンチマークデータセットと水力発電所から抽出された工業用データセットを用いた実証的な比較は、近隣構造がNMFを補助していることを示す。
  論文  参考訳（メタデータ） (2020-01-17T21:43:20Z)

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。