論文の概要: A Two-step Linear Mixing Model for Unmixing under Hyperspectral Variability

• arxiv url: http://arxiv.org/abs/2502.17212v1
• Date: Mon, 24 Feb 2025 14:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:32.802227
• Title: A Two-step Linear Mixing Model for Unmixing under Hyperspectral Variability
• Title（参考訳）: ハイパースペクトル変動下における2段階線形混合モデル
• Authors: Xander Haijen, Bikram Koirala, Xuanwen Tao, Paul Scheunders,
• Abstract要約: 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の研究分野において重要な課題である。 線形混合モデルは、その単純さと使いやすさから注目を集めている。 モデルが競争力があり、場合によっては既存の未混合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）: 1.6061490167492505
• License:
• Abstract: Spectral unmixing is an important task in the research field of hyperspectral image processing. It can be thought of as a regression problem, where the observed variable (i.e., an image pixel) is to be found as a function of the response variables (i.e., the pure materials in a scene, called endmembers). The Linear Mixing Model (LMM) has received a great deal of attention, due to its simplicity and ease of use in, e.g., optimization problems. Its biggest flaw is that it assumes that any pure material can be characterized by one unique spectrum throughout the entire scene. In many cases this is incorrect: the endmembers face a significant amount of spectral variability caused by, e.g., illumination conditions, atmospheric effects, or intrinsic variability. Researchers have suggested several generalizations of the LMM to mitigate this effect. However, most models lead to ill-posed and highly non-convex optimization problems, which are hard to solve and have hyperparameters that are difficult to tune. In this paper, we propose a two-step LMM that bridges the gap between model complexity and computational tractability. We show that this model leads to only a mildly non-convex optimization problem, which we solve with an interior-point solver. This method requires virtually no hyperparameter tuning, and can therefore be used easily and quickly in a wide range of unmixing tasks. We show that the model is competitive and in some cases superior to existing and well-established unmixing methods and algorithms. We do this through several experiments on synthetic data, real-life satellite data, and hybrid synthetic-real data.
• Abstract（参考訳）: 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の研究分野において重要な課題である。 これは回帰問題であり、観察された変数(すなわち画像ピクセル)が応答変数の関数(すなわちシーン内の純粋な物質、すなわち終端要素)として見出される。 線形混合モデル(LMM)は、単純さと使いやすさ、例えば最適化の問題により、多くの注目を集めている。 その最大の欠点は、あらゆる純粋な物質が、シーン全体を通して1つのユニークなスペクトルによって特徴づけられると仮定していることである。 端メンバーは、例えば、照明条件、大気効果、または固有の変動によって引き起こされるかなりの量のスペクトル変動に直面している。 研究者はこの効果を緩和するためにLMMのいくつかの一般化を提案した。 しかし、ほとんどのモデルでは、解決が困難で調整が難しいハイパーパラメーターを持つ不用意で非凸な最適化問題が発生する。 本稿では,モデル複雑性と計算的トラクタビリティのギャップを埋める2段階のLMMを提案する。 我々は,このモデルが,内点解法で解けるような,軽度の非凸最適化問題に繋がることを示した。 この方法は、実質的にハイパーパラメータチューニングを必要としないため、広範囲の未混合タスクにおいて、簡単かつ迅速に使用できる。 モデルが競争力があり、場合によっては既存の未混合手法やアルゴリズムよりも優れていることを示す。 我々は、合成データ、実生活衛星データ、ハイブリッド合成実データに関するいくつかの実験を通してこれを行う。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Sensitivity analysis using the Metamodel of Optimal Prognosis [0.0]
  仮想プロトタイピングプロセス内の実例では、物理モデルの複雑さを減らすことは必ずしも不可能である。 本稿では,実際の問題に対して最適なメタモデルを選択するための自動アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-07T07:09:06Z)
• Merging Multi-Task Models via Weight-Ensembling Mixture of Experts [64.94129594112557]
  異なるタスクでトレーニングされたTransformerベースのモデルを単一の統一モデルにマージすることで、すべてのタスクを同時に実行できる。 従来の手法は、タスク演算によって例示され、効率的かつスケーラブルであることが証明されている。 本稿では,Transformer層をMoEモジュールにアップスケーリングしながら,ほとんどのパラメータをマージすることを提案する。
  論文  参考訳（メタデータ） (2024-02-01T08:58:57Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• 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)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Minimizing Entropy to Discover Good Solutions to Recurrent Mixed Integer Programs [0.0]
  混合整数プログラミング(MIP)問題に対する現在の解法は、幅広い問題に対して良好に動作するように設計されている。 近年の研究では、機械学習(ML)をMIPソルバと統合してドメイン知識を注入し、最適性ギャップを効率的に閉じることが示されている。 本稿では、エントロピーの概念を用いて、最小限のトレーニングデータとチューニングで効率的にモデルを構築するオンラインソルバを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:52:56Z)
• PCA Reduced Gaussian Mixture Models with Applications in Superresolution [1.885698488789676]
  本稿は、このトピックに2倍のコントリビューションを提供する。 まず,モデルの各成分におけるデータ次元の減少と合わせてガウス混合モデルを提案する。 第2に,サンディープとヤコブのアプローチに基づく2次元および3次元材料画像の超解像化にPCA-GMMを適用した。
  論文  参考訳（メタデータ） (2020-09-16T07:33:56Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。