論文の概要: Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using
Convolutional Autoencoders
- arxiv url: http://arxiv.org/abs/2303.08156v1
- Date: Tue, 14 Mar 2023 18:11:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 15:51:57.894781
- Title: Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using
Convolutional Autoencoders
- Title(参考訳): 畳み込みオートエンコーダを用いた多重線形混合モデルに基づく非線形ハイパースペクトルアンミキシング
- Authors: Tingting Fang, Fei Zhu and Jie Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.867229549627128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Unsupervised spectral unmixing consists of representing each observed pixel
as a combination of several pure materials called endmembers with their
corresponding abundance fractions. Beyond the linear assumption, various
nonlinear unmixing models have been proposed, with the associated optimization
problems solved either by traditional optimization algorithms or deep learning
techniques. Current deep learning-based nonlinear unmixing focuses on the
models in additive, bilinear-based formulations. By interpreting the reflection
process using the discrete Markov chain, the multilinear mixing model (MLM)
successfully accounts for the up to infinite-order interactions between
endmembers. However, to simulate the physics process of MLM by neural networks
explicitly is a challenging problem that has not been approached by far. In
this article, we propose a novel autoencoder-based network for unsupervised
unmixing based on MLM. Benefitting from an elaborate network design, the
relationships among all the model parameters {\em i.e.}, endmembers,
abundances, and transition probability parameters are explicitly modeled. There
are two modes: MLM-1DAE considers only pixel-wise spectral information, and
MLM-3DAE exploits the spectral-spatial correlations within input patches.
Experiments on both the synthetic and real datasets demonstrate the
effectiveness of the proposed method as it achieves competitive performance to
the classic solutions of MLM.
- Abstract(参考訳): 教師なしスペクトルの混合は、各観測されたピクセルを、エンドメンバーと呼ばれるいくつかの純粋な物質と対応する分数分数の組み合わせとして表現する。
線形仮定を超えて、従来の最適化アルゴリズムやディープラーニング技術によって解決される最適化問題とともに、様々な非線形混合モデルが提案されている。
現在のディープラーニングに基づく非線形混合は、加法、双線型に基づく定式化におけるモデルに焦点を当てている。
離散マルコフ連鎖を用いて反射過程を解釈することにより、マルチ線形混合モデル(MLM)はエンドメンバー間の無限次相互作用をうまく説明できる。
しかし、ニューラルネットワークによるMLMの物理過程を明示的にシミュレートすることは、これまでアプローチされていない難しい問題である。
本稿では,MLM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。
ネットワーク設計の精巧な利点により、すべてのモデルパラメータ間の関係、つまり、エンドメンバー、存在量、遷移確率パラメータは明示的にモデル化される。
MLM-1DAEはピクセル単位のスペクトル情報のみを考慮し、MLM-3DAEは入力パッチ内のスペクトル-空間相関を利用する。
合成データと実データの両方を用いた実験により,MLMの古典的解に対する競合性能を実現するため,提案手法の有効性が示された。
関連論文リスト
- Decoupled Mixup for Data-efficient Learning [49.50661785259908]
本稿では, 差別的特徴を適応的にマイニングし, 滑らかさを損なうことなく, 分離混合損失(DM損失)を提案する。
DMは、計算オーバーヘッドの重い処理を回避しつつ、動的手法で同等のパフォーマンスを実現することができる。
論文 参考訳(メタデータ) (2022-03-21T07:12:18Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
そこで我々は,Isometric autoencoder を用いて,明示的な逆数を持つ非線形符号化を設計することを提案する。
アイソメトリーにより、多様体の学習と密度推定を分離し、両方の部品を高精度に訓練することができる。
論文 参考訳(メタデータ) (2022-03-08T08:57:43Z) - Model-Based Deep Autoencoder Networks for Nonlinear Hyperspectral
Unmixing [21.057695471614682]
オートエンコーダネットワークは、教師なしハイパースペクトルアンミックスを行うための有望なアプローチとして登場した。
線形混合に対する非線形揺らぎを考慮した非線形HUのためのモデルベースAECを提案する。
この制限は、エンコーダとデコーダネットワークの両方に特定の構造を自然に課すことを示しています。
論文 参考訳(メタデータ) (2021-04-17T00:14:11Z) - 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) - Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein
Generative Adversarial Loss [4.56877715768796]
本研究では1次元畳み込みカーネルとスペクトル不確実性を用いたスペクトルアンミックスのための新しいフレームワークを提案する。
高レベルの表現はデータから計算され、さらに多項混合モデルでモデル化される。
実データと合成データの両方で実験を行う。
論文 参考訳(メタデータ) (2020-12-12T16:49:01Z) - Hyperspectral Unmixing via Nonnegative Matrix Factorization with
Handcrafted and Learnt Priors [14.032039261229853]
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。
論文 参考訳(メタデータ) (2020-10-09T14:40:20Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - Accurate and efficient Simulation of very high-dimensional Neural Mass
Models with distributed-delay Connectome Tensors [0.23453441553817037]
本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。
1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。
2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
論文 参考訳(メタデータ) (2020-09-16T05:55:17Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - Ensemble Model with Batch Spectral Regularization and Data Blending for
Cross-Domain Few-Shot Learning with Unlabeled Data [75.94147344921355]
多様な特徴変換行列を用いてマルチブランチアンサンブルフレームワークを構築する。
本研究では,未ラベルデータを利用したデータブレンディング手法を提案し,対象領域におけるスパースサポートを増強する。
論文 参考訳(メタデータ) (2020-06-08T02:27:34Z) - A Comparative Study of Machine Learning Models for Predicting the State
of Reactive Mixing [0.0]
反応混合の正確な予測は多くの地球および環境科学問題にとって重要である。
高速で可逆な二分子反応拡散のシナリオを解決するために,高忠実な有限要素法に基づく数値モデルを構築した。
モデル入力パラメータの異なるセットを用いて2,315のシミュレーションを行う。
論文 参考訳(メタデータ) (2020-02-24T22:50:19Z)
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。