論文の概要: A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm

• arxiv url: http://arxiv.org/abs/2401.13161v1
• Date: Wed, 24 Jan 2024 00:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-25 15:54:59.990499
• Title: A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm
• Title（参考訳）: 一般化されたマルチスケールバンドルベースハイパースペクトルスパースアンミックスアルゴリズム
• Authors: Luciano Carvalho Ayres, Ricardo Augusto Borsoi, Jos\'e Carlos Moreira Bermudez, S\'ergio Jos\'e Melo de Almeida
• Abstract要約: ハイパースペクトルスパースアンミックスでは、空間領域における終端員の変動に対処するためにスペクトル束を用いることに成功した。 我々は,群間隔誘導混合ノルムを組み込むことにより,非混合問題を解くために,マルチスケール空間正規化手法を一般化する。
• 参考スコア（独自算出の注目度）: 8.616208042031877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In hyperspectral sparse unmixing, a successful approach employs spectral bundles to address the variability of the endmembers in the spatial domain. However, the regularization penalties usually employed aggregate substantial computational complexity, and the solutions are very noise-sensitive. We generalize a multiscale spatial regularization approach to solve the unmixing problem by incorporating group sparsity-inducing mixed norms. Then, we propose a noise-robust method that can take advantage of the bundle structure to deal with endmember variability while ensuring inter- and intra-class sparsity in abundance estimation with reasonable computational cost. We also present a general heuristic to select the \emph{most representative} abundance estimation over multiple runs of the unmixing process, yielding a solution that is robust and highly reproducible. Experiments illustrate the robustness and consistency of the results when compared to related methods.
• Abstract（参考訳）: hyperspectral sparse unmixingにおいて、成功したアプローチは、空間領域のエンドメンバーの変動性に対処するためにスペクトル束を用いる。 しかし、正規化ペナルティは通常、計算の複雑さを集約し、その解は非常にノイズに敏感である。 我々は,群間隔誘導混合ノルムを組み込むことにより,非混合問題を解くために,マルチスケール空間正規化手法を一般化する。 そこで本研究では,バンドル構造を生かしてエンドメンバー変動に対処し,合理的な計算コストでクラス間およびクラス内スパルシリティを確保できるノイズロバスト手法を提案する。 また,非混合プロセスの複数実行上での<emph{most representative}存在量推定を選択できる一般的なヒューリスティックも提示し,堅牢で再現性が高い解を得る。 実験は、関連する手法と比較して結果の堅牢性と一貫性を示す。

関連論文リスト

• Analysis of the Non-variational Quantum Walk-based Optimisation Algorithm [0.0]
  本稿では,多種多様な最適化問題を解くために設計された非変分量子アルゴリズムを詳細に紹介する。 このアルゴリズムは、増幅状態の繰り返しの準備と測定から最適解とほぼ最適解を返す。
  論文  参考訳（メタデータ） (2024-07-29T13:54:28Z)
• Sparsity via Sparse Group $k$-max Regularization [22.05774771336432]
  本稿では,新規かつ簡潔な正規化,すなわちスパース群$k$-max正規化を提案する。 提案手法の有効性と柔軟性を,合成データセットと実世界のデータセットの数値実験により検証する。
  論文  参考訳（メタデータ） (2024-02-13T14:41:28Z)
• 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)
• Pixel-to-Abundance Translation: Conditional Generative Adversarial Networks Based on Patch Transformer for Hyperspectral Unmixing [12.976092623812757]
  スペクトルアンミキシングはハイパースペクトル画像処理において重要な課題である。 汎用的アンミックスフレームワークとしてハイパースペクトル条件生成逆ネットワーク(HyperGAN)を提案する。 合成データと実際のハイパースペクトルデータの実験は、最先端の競合他社と比較して印象的な結果が得られる。
  論文  参考訳（メタデータ） (2023-12-20T15:47:21Z)
• High-Probability Convergence for Composite and Distributed Stochastic Minimization and Variational Inequalities with Heavy-Tailed Noise [96.80184504268593]
  グラデーション、クリッピングは、優れた高確率保証を導き出すアルゴリズムの鍵となる要素の1つである。 クリッピングは、合成および分散最適化の一般的な方法の収束を損なう可能性がある。
  論文  参考訳（メタデータ） (2023-10-03T07:49:17Z)
• First Order Methods with Markovian Noise: from Acceleration to Variational Inequalities [91.46841922915418]
  本稿では,一階変分法の理論解析のための統一的アプローチを提案する。 提案手法は非線形勾配問題とモンテカルロの強い問題の両方をカバーする。 凸法最適化問題の場合、オラクルに強く一致するような境界を与える。
  論文  参考訳（メタデータ） (2023-05-25T11:11:31Z)
• Clipped Stochastic Methods for Variational Inequalities with Heavy-Tailed Noise [64.85879194013407]
  単調なVIPと非単調なVIPの解法における信頼度に対数的依存を持つ最初の高確率結果が証明された。 この結果は光尾の場合で最もよく知られたものと一致し,非単調な構造問題に新鮮である。 さらに,多くの実用的な定式化の勾配雑音が重く,クリッピングによりSEG/SGDAの性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-02T15:21:55Z)
• Tight integration of neural- and clustering-based diarization through deep unfolding of infinite Gaussian mixture model [84.57667267657382]
  本稿では,統合フレームワークにトレーニング可能なクラスタリングアルゴリズムを導入する。 話者埋め込みはトレーニング中に最適化され、iGMMクラスタリングに適合する。 実験の結果,提案手法はダイアリゼーション誤差率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-14T07:45:21Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Learning Mixtures of Permutations: Groups of Pairwise Comparisons and Combinatorial Method of Moments [8.691957530860675]
  Mallows混合モデルについて検討した。 高次元設定では、$n$要素上の置換のMallows混合を学習する最適時間アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-14T23:11:46Z)
• Mixture Representation Learning with Coupled Autoencoders [1.589915930948668]
  我々は、cpl-mixVAEと呼ばれる複数の相互作用ネットワークを用いた教師なし変分フレームワークを提案する。 このフレームワークでは、各ネットワークの混合表現は、離散因子にコンセンサス制約を課すことで正規化される。 提案手法を用いて,単細胞転写データセットにおける遺伝子発現を記述した変数の離散的・連続的因子を共同で発見する。
  論文  参考訳（メタデータ） (2020-07-20T04:12:04Z)

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。