論文の概要: A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles
- arxiv url: http://arxiv.org/abs/2505.14634v1
- Date: Tue, 20 May 2025 17:25:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:53.643163
- Title: A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles
- Title（参考訳）: 終端バンドルを用いたハイパースペクトルアンミキシングにおけるグループ間隔の一般的な枠組み
- Authors: Gokul Bhusal, Yifei Lou, Cristina Garcia-Cardona, Ekaterina Merkurjev,
- Abstract要約: ハイパースペクトルアンミキシングは、ハイパースペクトルイメージングの基本的な問題である。
グループ空間は、各材料に一連のスペクトルシグネチャ、すなわち終端バンドルを表現している。
当社のフレームワークは、さまざまなスパーシティーを動機とする罰則を取り入れる柔軟性を提供します。
- 参考スコア（独自算出の注目度）: 1.379948897986203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to low spatial resolution, hyperspectral data often consists of mixtures of contributions from multiple materials. This limitation motivates the task of hyperspectral unmixing (HU), a fundamental problem in hyperspectral imaging. HU aims to identify the spectral signatures (\textit{endmembers}) of the materials present in an observed scene, along with their relative proportions (\textit{fractional abundance}) in each pixel. A major challenge lies in the class variability in materials, which hinders accurate representation by a single spectral signature, as assumed in the conventional linear mixing model. Moreover, To address this issue, we propose using group sparsity after representing each material with a set of spectral signatures, known as endmember bundles, where each group corresponds to a specific material. In particular, we develop a bundle-based framework that can enforce either inter-group sparsity or sparsity within and across groups (SWAG) on the abundance coefficients. Furthermore, our framework offers the flexibility to incorporate a variety of sparsity-promoting penalties, among which the transformed $\ell_1$ (TL1) penalty is a novel regularization in the HU literature. Extensive experiments conducted on both synthetic and real hyperspectral data demonstrate the effectiveness and superiority of the proposed approaches.
- Abstract（参考訳）: 空間分解能の低いため、ハイパースペクトルデータはしばしば複数の材料からのコントリビューションの混合物で構成されている。
この制限は、ハイパースペクトルイメージングにおける根本的な問題であるハイパースペクトルアンミックス(HU)の課題を動機付けている。
HUは、観察されたシーンに存在する材料のスペクトルシグネチャ(\textit{endmembers})と、各ピクセルの相対比(\textit{fractional abundance})を識別することを目的としている。
主な課題は、従来の線形混合モデルで仮定されるように、単一のスペクトルシグネチャによる正確な表現を妨げる材料におけるクラス変数である。
さらに,この問題に対処するために,各グループが特定の材料に対応するような,エンドメンバーバンドルと呼ばれるスペクトルシグネチャのセットで各材料を表現した後,グループ疎結合を提案する。
特に,バンドルベースのフレームワークを開発し,グループ間の間隔とグループ間間隔(SWAG)のいずれにも適用できる。
さらに,我々のフレームワークは,HU文学における新たな正規化として,変換された$\ell_1$ (TL1)ペナルティを組み込む柔軟性を提供する。
合成高スペクトルデータと実高スペクトルデータの両方に対して行われた大規模な実験は、提案手法の有効性と優越性を実証している。
関連論文リスト
- Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。
Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。
10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
論文 参考訳（メタデータ） (2025-04-19T09:57:35Z) - A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing
Algorithm [8.616208042031877]
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。
論文 参考訳（メタデータ） (2024-01-24T00:37:14Z) - PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。
PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
論文 参考訳（メタデータ） (2023-12-19T17:01:58Z) - Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package [80.11512905623417]
アンミキシングは、ピクセル内のエンドメンバーの分数量を推定する。
本稿では,先進的および従来型のアンミックス手法の概要について述べる。
シミュレーションされた3つのデータセットと2つの実際のデータセット上でのアンミックス手法の性能を比較した。
論文 参考訳（メタデータ） (2023-08-18T08:10:41Z) - S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for
Scribble-supervised Polyp Segmentation [21.208071679259604]
本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。
我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。
疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
論文 参考訳（メタデータ） (2023-06-01T08:47:58Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Hyperspectral Pixel Unmixing with Latent Dirichlet Variational
Autoencoder [2.3931689873603603]
本稿では,ハイパースペクトル画素のアンミックス方式を提案する。
提案手法は,変分オートエンコーダ設定における存在推定と終端抽出の問題を解く。
提案するモデルの転送学習能力を,CuupriteとOnTech-HSI-Syn-21データセットで示す。
論文 参考訳（メタデータ） (2022-03-02T17:38:44Z) - Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse
Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。
我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。
シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-01-08T11:48:46Z) - 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) - Face Anti-Spoofing with Human Material Perception [76.4844593082362]
フェース・アンチ・スプーフィング(FAS)は、プレゼンテーション攻撃から顔認識システムを保護する上で重要な役割を担っている。
我々は、顔の反偽造を物質認識問題として言い換え、それを古典的な人間の物質知覚と組み合わせる。
本稿では,本質的な素材に基づくパターンをキャプチャ可能なバイラテラル畳み込みネットワーク(BCN)を提案する。
論文 参考訳（メタデータ） (2020-07-04T18:25:53Z) - Constrained Nonnegative Matrix Factorization for Blind Hyperspectral
Unmixing incorporating Endmember Independence [0.0]
本稿では,KbSNMF(Kurtosis-based Smooth Non negative Matrix Factorization)と呼ばれる新しいブラインドHUアルゴリズムを提案する。
終端スペクトルの確率密度関数の統計的独立性に基づく新しい制約が組み込まれている。
これは特に高スペクトルデータからエンドメンバースペクトルを抽出するという点で優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-02T17:20:04Z)
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。