論文の概要: Adaptive Multi-Order Graph Regularized NMF with Dual Sparsity for Hyperspectral Unmixing
- arxiv url: http://arxiv.org/abs/2503.19258v1
- Date: Tue, 25 Mar 2025 01:44:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:54:14.482227
- Title: Adaptive Multi-Order Graph Regularized NMF with Dual Sparsity for Hyperspectral Unmixing
- Title(参考訳): 双極性を有する適応多階グラフ正規化NMFによるハイパースペクトルアンミキシング
- Authors: Hui Chen, Liangyu Liu, Xianchao Xiu, Wanquan Liu,
- Abstract要約: 3つの特徴を持つ適応多階グラフ正規化NMF法(MOGNMF)を提案する。
シミュレーションおよび実超スペクトルデータを用いた実験は,提案手法がより良い混合結果をもたらすことを示す。
- 参考スコア(独自算出の注目度): 8.449751010829148
- License:
- Abstract: Hyperspectral unmixing (HU) is a critical yet challenging task in remote sensing. However, existing nonnegative matrix factorization (NMF) methods with graph learning mostly focus on first-order or second-order nearest neighbor relationships and usually require manual parameter tuning, which fails to characterize intrinsic data structures. To address the above issues, we propose a novel adaptive multi-order graph regularized NMF method (MOGNMF) with three key features. First, multi-order graph regularization is introduced into the NMF framework to exploit global and local information comprehensively. Second, these parameters associated with the multi-order graph are learned adaptively through a data-driven approach. Third, dual sparsity is embedded to obtain better robustness, i.e., $\ell_{1/2}$-norm on the abundance matrix and $\ell_{2,1}$-norm on the noise matrix. To solve the proposed model, we develop an alternating minimization algorithm whose subproblems have explicit solutions, thus ensuring effectiveness. Experiments on simulated and real hyperspectral data indicate that the proposed method delivers better unmixing results.
- Abstract(参考訳): ハイパースペクトルアンミックス(HU)はリモートセンシングにおいて重要な課題である。
しかし、グラフ学習を用いた既存の非負行列分解法(NMF)は、主に一階または二階の近接関係に焦点をあて、通常は手動パラメータチューニングを必要とし、本質的なデータ構造を特徴づけることに失敗した。
上記の問題に対処するために,3つの重要な特徴を持つ適応多階グラフ正規化NMF法(MOGNMF)を提案する。
まず、NMFフレームワークに多階グラフ正規化を導入し、グローバルおよびローカル情報を包括的に活用する。
第二に、これらのパラメータはデータ駆動型アプローチによって適応的に学習される。
第三に、二重空間はより堅牢性を得るために埋め込まれており、すなわち、アバンダンス行列上の$\ell_{1/2}$-normとノイズ行列上の$\ell_{2,1}$-normである。
提案モデルでは,サブプロブレムが明示的な解を持つ交互最小化アルゴリズムを開発し,有効性を保証する。
シミュレーションおよび実超スペクトルデータを用いた実験は,提案手法がより良い混合結果をもたらすことを示す。
関連論文リスト
- Symmetry-preserving graph attention network to solve routing problems at
multiple resolutions [1.9304772860080408]
問題解決のために,最初の完全同変モデルとトレーニングを導入する。
入力グラフのマルチスケール構造を捉えることが不可欠である。
本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
論文 参考訳(メタデータ) (2023-10-24T06:22:20Z) - MIP-GNN: A Data-Driven Framework for Guiding Combinatorial Solvers [13.790116387956703]
混合整数プログラミング(MIP)技術は最適化問題の定式化と解法を提供する。
MIP-GNNは、データ駆動の洞察でそのような問題を解決するための一般的なフレームワークである。
MIP-GNNを最先端のMIP解決器に統合し,ノード選択やウォームスタートといったタスクに適用する。
論文 参考訳(メタデータ) (2022-05-27T19:34:14Z) - Log-based Sparse Nonnegative Matrix Factorization for Data
Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。
そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。
提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文 参考訳(メタデータ) (2022-04-22T11:38:10Z) - Random Manifold Sampling and Joint Sparse Regularization for Multi-label
Feature Selection [0.0]
本稿では,$ell_2,1$および$ell_F$正規化の連立制約付き最適化問題を解くことで,最も関連性の高いいくつかの特徴を得ることができる。
実世界のデータセットの比較実験により,提案手法が他の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-04-13T15:06:12Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-09-30T19:17:35Z) - Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。
凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。
提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文 参考訳(メタデータ) (2021-06-30T08:57:01Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-11T03:25:25Z) - Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。
より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。
SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
論文 参考訳(メタデータ) (2021-03-02T12:47:40Z) - 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) - Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める
近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。
両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
論文 参考訳(メタデータ) (2020-03-30T08:40:35Z)
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。