論文の概要: Entropic Descent Archetypal Analysis for Blind Hyperspectral Unmixing
- arxiv url: http://arxiv.org/abs/2209.11002v1
- Date: Thu, 22 Sep 2022 13:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:06:49.606639
- Title: Entropic Descent Archetypal Analysis for Blind Hyperspectral Unmixing
- Title(参考訳): ブラインドハイパースペクトルアンミキシングのためのエントロピー的Descent Archetypal解析
- Authors: Alexandre Zouaoui (1), Gedeon Muhawenayo (1), Behnood Rasti (2),
Jocelyn Chanussot (1) and Julien Mairal (1) ((1) Thoth, Inria, UGA, CNRS,
Grenoble INP, LJK, (2) HZDR)
- Abstract要約: 我々は、ブラインド・ハイパースペクトル・アンミックスのためのアーチティパル解析に基づく新しいアルゴリズムを提案する。
6つの標準実データセットを用いて、我々の手法は最先端の行列分解や最近のディープラーニング手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 45.82374977939355
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a new algorithm based on archetypal analysis for
blind hyperspectral unmixing, assuming linear mixing of endmembers. Archetypal
analysis is a natural formulation for this task. This method does not require
the presence of pure pixels (i.e., pixels containing a single material) but
instead represents endmembers as convex combinations of a few pixels present in
the original hyperspectral image. Our approach leverages an entropic gradient
descent strategy, which (i) provides better solutions for hyperspectral
unmixing than traditional archetypal analysis algorithms, and (ii) leads to
efficient GPU implementations. Since running a single instance of our algorithm
is fast, we also propose an ensembling mechanism along with an appropriate
model selection procedure that make our method robust to hyper-parameter
choices while keeping the computational complexity reasonable. By using six
standard real datasets, we show that our approach outperforms state-of-the-art
matrix factorization and recent deep learning methods. We also provide an
open-source PyTorch implementation: https://github.com/inria-thoth/EDAA.
- Abstract(参考訳): 本稿では, 終端部材の線形混合を前提とした, ブラインドハイパースペクトルアンミキシングのためのアーチティパル解析に基づく新しいアルゴリズムを提案する。
原型分析はこのタスクの自然な定式化である。
この方法は純粋なピクセル(すなわち1つの材料を含むピクセル)の存在を必要とせず、代わりに、元のハイパースペクトル画像に存在するいくつかのピクセルの凸結合としてエンドメンバーを表現する。
我々のアプローチはエントロピー勾配降下戦略を利用する。
(i)従来の古型分析アルゴリズムよりも高スペクトルアンミキシングのより良い解を提供し、
(ii)効率的なgpu実装につながる。
アルゴリズムの単一インスタンスの実行は高速であるため,計算複雑性を合理的に保ちつつ,ハイパーパラメータ選択にロバストな手法を実現する適切なモデル選択手順とともに,センシング機構を提案する。
6つの標準実データセットを用いて、我々の手法は最先端の行列分解や最近のディープラーニング手法よりも優れていることを示す。
また、オープンソースのPyTorch実装も提供しています。
関連論文リスト
- SUnAA: Sparse Unmixing using Archetypal Analysis [62.997667081978825]
本稿では, 古細菌スパルス解析(SUnAA)を用いた新しい地質学的エラーマップ手法を提案する。
まず,古細菌スパース解析(SunAA)に基づく新しいモデルの設計を行う。
論文 参考訳(メタデータ) (2023-08-09T07:58:33Z) - Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
我々はロバスト成分分析のためのアルゴリズムを設計する(A)
行列を低主行列とスパース主行列の和に分解する。
論文 参考訳(メタデータ) (2023-07-12T03:48:26Z) - GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。
スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
論文 参考訳(メタデータ) (2023-06-26T09:42:59Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Clustering based on Mixtures of Sparse Gaussian Processes [6.939768185086753]
低次元の組込み空間を使ってデータをクラスタする方法は、マシンラーニングにおいて依然として難しい問題である。
本稿では,クラスタリングと次元還元の両立を目的とした共同定式化を提案する。
我々のアルゴリズムはスパースガウス過程の混合に基づいており、スパースガウス過程混合クラスタリング(SGP-MIC)と呼ばれる。
論文 参考訳(メタデータ) (2023-03-23T20:44:36Z) - Entropic Wasserstein Component Analysis [8.744017403796406]
次元減少(DR)の鍵となる要件は、元のサンプルと組込みサンプルの間にグローバルな依存関係を組み込むことである。
最適輸送(OT)と主成分分析(PCA)の原理を組み合わせる。
提案手法は, サンプルの近傍情報を自然に符号化するエントロピーOTを用いて, 復元誤差を最小化する最適線形部分空間を求める。
論文 参考訳(メタデータ) (2023-03-09T08:59:33Z) - Deep Model-Based Super-Resolution with Non-uniform Blur [1.7188280334580197]
非一様ぼかしを持つ超解像の最先端手法を提案する。
まず,線形化ADMM分割手法に基づく高速なプラグアンドプレイアルゴリズムを提案する。
反復アルゴリズムをひとつのネットワークに展開し、エンドツーエンドでトレーニングします。
論文 参考訳(メタデータ) (2022-04-21T13:57:21Z) - Probabilistic methods for approximate archetypal analysis [8.829245587252435]
Archetypal analysisは、探索データ分析のための教師なし学習手法である。
データの次元と表現の基数を低減するために,2つの前処理手法を導入する。
提案手法を応用して, 適度に大規模なデータセットを要約することで, 結果の有用性を実証する。
論文 参考訳(メタデータ) (2021-08-12T14:27:11Z) - Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。
提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。
また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2020-07-24T17:38:04Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳(メタデータ) (2020-02-21T17:45:32Z)
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。