論文の概要: Neural Network for Blind Unmixing: a novel MatrixConv Unmixing (MCU) Approach
- arxiv url: http://arxiv.org/abs/2503.08745v1
- Date: Tue, 11 Mar 2025 09:41:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 15:40:49.063625
- Title: Neural Network for Blind Unmixing: a novel MatrixConv Unmixing (MCU) Approach
- Title（参考訳）: ブラインドアンミキシングのためのニューラルネットワーク:新しいマトリックスコンブアンミキシング(MCU)アプローチ
- Authors: Chao Zhou, Wei Pu, Miguel Rodrigues,
- Abstract要約: ハイパースペクトル画像(HSI)アンミックスは難しい研究課題である。
本稿では, マトリックスコンバウンド・アンミキシング (MCU) 手法を提案する。
提案手法は, 合成データと実データの両方で有効性をテストする。
- 参考スコア（独自算出の注目度）: 13.857076242271669
- License:
- Abstract: Hyperspectral image (HSI) unmixing is a challenging research problem that tries to identify the constituent components, known as endmembers, and their corresponding proportions, known as abundances, in the scene by analysing images captured by hyperspectral cameras. Recently, many deep learning based unmixing approaches have been proposed with the surge of machine learning techniques, especially convolutional neural networks (CNN). However, these methods face two notable challenges: 1. They frequently yield results lacking physical significance, such as signatures corresponding to unknown or non-existent materials. 2. CNNs, as general-purpose network structures, are not explicitly tailored for unmixing tasks. In response to these concerns, our work draws inspiration from double deep image prior (DIP) techniques and algorithm unrolling, presenting a novel network structure that effectively addresses both issues. Specifically, we first propose a MatrixConv Unmixing (MCU) approach for endmember and abundance estimation, respectively, which can be solved via certain iterative solvers. We then unroll these solvers to build two sub-networks, endmember estimation DIP (UEDIP) and abundance estimation DIP (UADIP), to generate the estimation of endmember and abundance, respectively. The overall network is constructed by assembling these two sub-networks. In order to generate meaningful unmixing results, we also propose a composite loss function. To further improve the unmixing quality, we also add explicitly a regularizer for endmember and abundance estimation, respectively. The proposed methods are tested for effectiveness on both synthetic and real datasets.
- Abstract（参考訳）: ハイパースペクトル画像(HSI unmixing)は、ハイパースペクトルカメラが捉えた画像を分析して、エンドメンバーとして知られるコンポーネントと、それに対応するアバンダンス(アバンダンス)を識別しようとする、難しい研究課題である。
近年,機械学習技術,特に畳み込みニューラルネットワーク(CNN)の普及に伴い,ディープラーニングに基づく非混合アプローチが数多く提案されている。
しかし、これらの手法は2つの顕著な課題に直面している。
一 未知の物又は現存しない物に該当する署名等の身体的意義の欠如をしばしば生ずる。
2. 汎用ネットワーク構造としてのCNNは、未混合タスクに特化していない。
これらの懸念に応えて、我々の研究はダブルディープ画像先行(DIP)技術とアルゴリズムの展開からインスピレーションを得て、両方の問題に効果的に対処する新しいネットワーク構造を提示した。
具体的には、まず、エンドメンバーとアブリダンス推定のためのMatrixConv Unmixing (MCU) アプローチを提案し、これは特定の反復解法によって解ける。
次に、これらの解法をアンロールして2つのサブネットワーク、すなわち、エンドメンバー推定DIP(UEDIP)とアバンダンス推定DIP(UADIP)を構築し、それぞれにエンドメンバー推定とアバンダンス推定を生成する。
ネットワーク全体は、これら2つのサブネットワークを組み立てることによって構成される。
また, 有意義なアンミックス結果を生成するために, 複合損失関数を提案する。
さらに, 未混合品質を改善するために, エンドメンバー推定とアブリダンス推定のレギュレータを明示的に追加する。
提案手法は, 合成データと実データの両方で有効性をテストする。
関連論文リスト
- A Multi-objective Complex Network Pruning Framework Based on
Divide-and-conquer and Global Performance Impairment Ranking [40.59001171151929]
本稿では,多目的複合ネットワークプルーニングフレームワークを提案する。
提案アルゴリズムは,最先端プルーニング手法と同等の性能を実現する。
論文 参考訳（メタデータ） (2023-03-28T12:05:15Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning
Framework for Self-Supervised Hyperspectral Unmixing [39.432539302311476]
終端誘導アンミキシングネットワーク(EGU-Net)と呼ばれるハイパースペクトルアンミキシングのための一般的な深層学習手法を開発する。
EGU-Netは2ストリームのシームズディープネットワークであり、純粋なまたはほぼ純粋なエンドメンバーから追加のネットワークを学び、別の未混合ネットワークの重みを補正する。
結果として得られる一般的なフレームワークは、ピクセル単位のスペクトルアンミックスに限らず、空間スペクトルアンミックスのための畳み込み演算子を用いた空間情報モデリングにも適用できる。
論文 参考訳（メタデータ） (2021-05-21T08:07:12Z) - Hierarchical Convolutional Neural Network with Feature Preservation and
Autotuned Thresholding for Crack Detection [5.735035463793008]
ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。
本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。
提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
論文 参考訳（メタデータ） (2021-04-21T13:07:58Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from
Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。
次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。
私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文 参考訳（メタデータ） (2021-01-19T02:41:03Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳（メタデータ） (2020-06-28T23:09:27Z) - 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) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳（メタデータ） (2020-04-17T19:12:39Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
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。