論文の概要: Hyperspectral Unmixing Under Endmember Variability: A Variational Inference Framework

• arxiv url: http://arxiv.org/abs/2407.14899v1
• Date: Sat, 20 Jul 2024 15:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 20:09:56.910561
• Title: Hyperspectral Unmixing Under Endmember Variability: A Variational Inference Framework
• Title（参考訳）: 終端変動下におけるハイパースペクトルアンミキシング--変分推論フレームワーク
• Authors: Yuening Li, Xiao Fu, Junbin Liu, Wing-Kin Ma,
• Abstract要約: 本研究は、終端変動(HU-EV)の存在下でのハイパースペクトルアンミックスのための変分推論フレームワークを提案する。 EV対応ノイズリニアミックスモデル (LMM) も検討し, モデルに外れ値の存在も考慮した。 提案手法の有効性は, 合成, セミリアル, 実データ実験によって実証される。
• 参考スコア（独自算出の注目度）: 22.114121550108344
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work proposes a variational inference (VI) framework for hyperspectral unmixing in the presence of endmember variability (HU-EV). An EV-accounted noisy linear mixture model (LMM) is considered, and the presence of outliers is also incorporated into the model. Following the marginalized maximum likelihood (MML) principle, a VI algorithmic structure is designed for probabilistic inference for HU-EV. Specifically, a patch-wise static endmember assumption is employed to exploit spatial smoothness and to try to overcome the ill-posed nature of the HU-EV problem. The design facilitates lightweight, continuous optimization-based updates under a variety of endmember priors. Some of the priors, such as the Beta prior, were previously used under computationally heavy, sampling-based probabilistic HU-EV methods. The effectiveness of the proposed framework is demonstrated through synthetic, semi-real, and real-data experiments.
• Abstract（参考訳）: 本研究は、終端変動(HU-EV)の存在下でのハイパースペクトルアンミックスのための変分推論(VI)フレームワークを提案する。 EV対応ノイズリニアミックスモデル (LMM) も検討し, モデルに外れ値の存在も考慮した。 MMLの原理に従い、VIアルゴリズム構造はHU-EVの確率的推論のために設計されている。 具体的には、空間的滑らかさを活かし、HU-EV問題の性質の悪さを克服するために、パッチワイドな終端仮定を用いる。 この設計は、様々なエンドメンバーの事前条件の下で、軽量で継続的な最適化ベースの更新を容易にする。 ベータ前のような前者のいくつかは、以前は計算的に重くサンプリングベースの確率的HU-EV法で使われていた。 提案手法の有効性は, 合成, セミリアル, 実データ実験によって実証される。

関連論文リスト

• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
  本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。 我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。 合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
  論文  参考訳（メタデータ） (2024-10-08T20:07:49Z)
• 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)
• Variational Inference with Coverage Guarantees in Simulation-Based Inference [18.818573945984873]
  コンフォーマル化補正ニューラル変分推論(CANVI)を提案する。 CANVIは各候補に基づいて共形予測器を構築し、予測効率と呼ばれる計量を用いて予測器を比較し、最も効率的な予測器を返す。 我々は,CANVIが生成する領域の予測効率の低い境界を証明し,その近似に基づいて,後部近似の品質と予測領域の予測効率の関係について検討する。
  論文  参考訳（メタデータ） (2023-05-23T17:24:04Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Robust Expected Information Gain for Optimal Bayesian Experimental Design Using Ambiguity Sets [0.0]
  我々は、経験的期待情報ゲイン(REIG)を定義し、分析する。 REIGは、摂動分布のあいまいな集合上でのEIGのアフィン緩和を最小化することにより、EIGの目的を変更したものである。 EIGを推定するためのサンプリングベースアプローチと組み合わせると、REIGはEIGを推定するのに使用するサンプルの対数-sum-expの安定化に対応することを示す。
  論文  参考訳（メタデータ） (2022-05-20T01:07:41Z)
• Variational Learning for the Inverted Beta-Liouville Mixture Model and Its Application to Text Categorization [1.4174475093445236]
  有限逆β-Liouville混合モデル(IBLMM)は、その正のデータモデリング能力のために最近注目を集めている。 難解なモーメント計算を避けるために、元の変動オブジェクト関数を置き換えるために、新しい関数を提案する。
  論文  参考訳（メタデータ） (2021-12-29T03:03:44Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
  後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。 単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
  論文  参考訳（メタデータ） (2021-02-15T16:59:30Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)

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。