論文の概要: AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder
and Regularization by Denoising
- arxiv url: http://arxiv.org/abs/2307.00269v1
- Date: Sat, 1 Jul 2023 08:20:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 17:03:18.703204
- Title: AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder
and Regularization by Denoising
- Title(参考訳): AE-RED:Deep AutoencoderによるハイパースペクトルアンミックスフレームワークとDenoisingによる正規化
- Authors: Min Zhao, Jie Chen, Nicolas Dobigeon
- Abstract要約: 本稿では、自動エンコーダネットワークを正規化(RED)と統合するための一般的なアンミックスフレームワークであるAE-REDを提案する。
合成データと実データの両方を用いた実験結果から, 現状の未混合手法と比較して, 提案手法の優位性を示した。
- 参考スコア(独自算出の注目度): 14.908906329456842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral unmixing has been extensively studied with a variety of methods and
used in many applications. Recently, data-driven techniques with deep learning
methods have obtained great attention to spectral unmixing for its superior
learning ability to automatically learn the structure information. In
particular, autoencoder based architectures are elaborately designed to solve
blind unmixing and model complex nonlinear mixtures. Nevertheless, these
methods perform unmixing task as blackboxes and lack of interpretability. On
the other hand, conventional unmixing methods carefully design the regularizer
to add explicit information, in which algorithms such as plug-and-play (PnP)
strategies utilize off-the-shelf denoisers to plug powerful priors. In this
paper, we propose a generic unmixing framework to integrate the autoencoder
network with regularization by denoising (RED), named AE-RED. More specially,
we decompose the unmixing optimized problem into two subproblems. The first one
is solved using deep autoencoders to implicitly regularize the estimates and
model the mixture mechanism. The second one leverages the denoiser to bring in
the explicit information. In this way, both the characteristics of the deep
autoencoder based unmixing methods and priors provided by denoisers are merged
into our well-designed framework to enhance the unmixing performance.
Experiment results on both synthetic and real data sets show the superiority of
our proposed framework compared with state-of-the-art unmixing approaches.
- Abstract(参考訳): スペクトルアンミキシングは様々な方法で広く研究され、多くの用途で利用されている。
近年,深層学習手法を用いたデータ駆動技術は,構造情報を自動学習する優れた学習能力のためにスペクトルアンミックスに大きな注目を集めている。
特に、オートエンコーダに基づくアーキテクチャは、ブラインドアンミックスと複雑な非線形混合をモデル化するために精巧に設計されている。
しかしながら、これらの手法はブラックボックスとして未混合タスクを実行し、解釈性がない。
一方,従来のアンミキシング手法では,pnp(plug-and-play)戦略などのアルゴリズムがオフ・ザ・セット・デノイザーを用いて強力なプリエントを接続する,明示的な情報付加のための正規化器を慎重に設計している。
本稿では、オートエンコーダネットワークを正規化(RED)により統合する汎用的アンミックスフレームワークAE-REDを提案する。
より具体的には、未混合最適化問題を2つのサブプロブレムに分解する。
1つ目はディープオートエンコーダを用いて計算を暗黙的に正規化し、混合機構をモデル化する。
2つめはデノイザーを利用して明示的な情報を取り込みます。
このようにして、deep autoencoderベースのunmixingメソッドとdenoisersが提供するpremierの特性を、よく設計されたフレームワークにマージし、unmixingパフォーマンスを高めます。
合成データと実データの両方を用いた実験結果から, 現状の未混合手法と比較して, 提案手法の優位性を示した。
関連論文リスト
- Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。
スパース・アンミキシングの代替手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-01-23T10:07:41Z) - PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。
PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
論文 参考訳(メタデータ) (2023-12-19T17:01:58Z) - Adversarial AutoMixup [50.1874436169571]
本稿では,AdAutomixupを提案する。
画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。
本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
論文 参考訳(メタデータ) (2023-12-19T08:55:00Z) - Expeditious Saliency-guided Mix-up through Random Gradient Thresholding [89.59134648542042]
混合学習アプローチはディープニューラルネットワークの一般化能力向上に有効であることが証明されている。
本稿では,両経路の分岐点に位置する新しい手法を提案する。
我々はR-Mixという手法を「Random Mix-up」という概念にちなむ。
より良い意思決定プロトコルが存在するかどうかという問題に対処するために、我々は、ミックスアップポリシーを決定する強化学習エージェントを訓練する。
論文 参考訳(メタデータ) (2022-12-09T14:29:57Z) - Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。
本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。
DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
論文 参考訳(メタデータ) (2022-03-21T07:12:18Z) - Mixture Model Auto-Encoders: Deep Clustering through Dictionary Learning [72.9458277424712]
Mixture Model Auto-Encoders (MixMate)は、生成モデルで推論を実行することでデータをクラスタリングする新しいアーキテクチャである。
最先端のディープクラスタリングアルゴリズムと比較して,MixMateは競争性能が高いことを示す。
論文 参考訳(メタデータ) (2021-10-10T02:30:31Z) - Deep Gaussian Denoiser Epistemic Uncertainty and Decoupled
Dual-Attention Fusion [11.085432358616671]
我々は,最先端手法の性能限界をガウス雑音化に推進することに注力する。
本研究では, 1つの事前訓練ネットワークのみを用いて, 骨粗さを低減するモデル非依存アプローチを提案する。
その結果,最先端のベースラインや様々なノイズレベルに対して有意に改善した。
論文 参考訳(メタデータ) (2021-01-12T17:38:32Z) - 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) - Hyperspectral Unmixing Network Inspired by Unfolding an Optimization
Problem [2.4016406737205753]
ハイパースペクトル画像(HSI)アンミックスタスクは本質的に逆問題であり、最適化アルゴリズムによってよく解決される。
本稿では,U-ADMM-AENetとU-ADMM-BUNetという2つの新しいネットワークアーキテクチャを提案する。
本研究は,機械学習の文献において,展開された構造が対応する解釈を見つけることを示し,提案手法の有効性をさらに示すものである。
論文 参考訳(メタデータ) (2020-05-21T18:49:45Z)
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。