論文の概要: Multitemporal Latent Dynamical Framework for Hyperspectral Images Unmixing
- arxiv url: http://arxiv.org/abs/2505.20902v1
- Date: Tue, 27 May 2025 08:48:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.526423
- Title: Multitemporal Latent Dynamical Framework for Hyperspectral Images Unmixing
- Title（参考訳）: ハイパースペクトル画像アンミックスのための多時間潜在動的フレームワーク
- Authors: Ruiying Li, Bin Pan, Lan Ma, Xia Xu, Zhenwei Shi,
- Abstract要約: マルチテンポラル潜在力学(MiLD)アンミックスフレームワークを提案する。
MiLDは問題定義、数学的モデリング、解アルゴリズム、理論的支援から構成される。
合成データと実データの両方に関する実験により、我々の研究の有用性が検証された。
- 参考スコア（独自算出の注目度）: 21.205302810676336
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multitemporal hyperspectral unmixing can capture dynamical evolution of materials. Despite its capability, current methods emphasize variability of endmembers while neglecting dynamics of abundances, which motivates our adoption of neural ordinary differential equations to model abundances temporally. However, this motivation is hindered by two challenges: the inherent complexity in defining, modeling and solving problem, and the absence of theoretical support. To address above challenges, in this paper, we propose a multitemporal latent dynamical (MiLD) unmixing framework by capturing dynamical evolution of materials with theoretical validation. For addressing multitemporal hyperspectral unmixing, MiLD consists of problem definition, mathematical modeling, solution algorithm and theoretical support. We formulate multitemporal unmixing problem definition by conducting ordinary differential equations and developing latent variables. We transfer multitemporal unmixing to mathematical model by dynamical discretization approaches, which describe the discreteness of observed sequence images with mathematical expansions. We propose algorithm to solve problem and capture dynamics of materials, which approximates abundance evolution by neural networks. Furthermore, we provide theoretical support by validating the crucial properties, which verifies consistency, convergence and stability theorems. The major contributions of MiLD include defining problem by ordinary differential equations, modeling problem by dynamical discretization approach, solving problem by multitemporal unmixing algorithm, and presenting theoretical support. Our experiments on both synthetic and real datasets have validated the utility of our work
- Abstract（参考訳）: マルチテンポラルハイパースペクトルアンミキシングは材料の動的進化を捉えることができる。
その能力にも拘わらず、現在の手法では、終端員の変動性を強調しつつ、多量体の力学を無視し、時間的に多量体をモデル化するニューラル常微分方程式の採用を動機付けている。
しかし、このモチベーションは、定義、モデリング、解決における固有の複雑さと、理論的支援の欠如という2つの課題によって妨げられている。
以上の課題に対処するために,理論的検証により材料の動的進化を捉えることで,マルチテンポラル潜在力学(MiLD)アンミックスフレームワークを提案する。
マルチテンポラルハイパースペクトルアンミックスに対処するために、MiLDは問題定義、数学的モデリング、解法アルゴリズム、理論的支援から構成される。
我々は、常微分方程式を実行し、潜伏変数を発達させることにより、多時無混合問題の定義を定式化する。
本研究では, 動的離散化手法を用いて, 数学的展開を伴う観測シーケンス画像の離散性を記述することで, 時間的アンミックスを数学的モデルに転送する。
本稿では,ニューラルネットワークによる多量進化を近似した,問題の解法と材料力学の捉え方を提案する。
さらに、一貫性、収束、安定性の定理を検証する重要な性質を検証することによって理論的支援を提供する。
MiLDの主な貢献は、常微分方程式による問題の定義、動的離散化アプローチによるモデリング問題、多重時間アンミックスアルゴリズムによる問題解決、理論的支援の提示などである。
合成データと実データの両方に関する我々の実験は、我々の研究の有用性を実証した
関連論文リスト
- Accelerating Multiscale Modeling with Hybrid Solvers: Coupling FEM and Neural Operators with Domain Decomposition [3.0635300721402228]
本研究では、PI-NOと有限要素法(FE)をドメイン分解を通じて統合する新しいハイブリッドフレームワークを提案する。
フレームワークの有効性は、静的、準静的、動的レシエーションにまたがる様々な問題で検証されている。
本研究は,(1)サブドメインインタフェース間の解の連続性を維持すること,(2)微細メッシュ要求を排除して計算コストを削減すること,(3)時間依存シミュレーションにおける誤差の蓄積を緩和すること,(4)物理現象の進化への自動適応を可能にすること,である。
論文 参考訳（メタデータ） (2025-04-15T16:54:04Z) - Time-Reversible Bridges of Data with Machine Learning [0.0]
この論文は、初期条件と最終条件に制約された時間可逆的な決定論と力学を学ぶための新しいアプローチを提示している。
ダイナミクスは、観測されたデータから機械学習アルゴリズムによって推測される。
論文 参考訳（メタデータ） (2024-12-18T09:47:19Z) - Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。
本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。
PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
論文 参考訳（メタデータ） (2024-11-28T13:16:20Z) - Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
既存の手法は複雑な多分野・多領域現象のタスクには適用されない。
タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
論文 参考訳（メタデータ） (2024-05-22T12:30:25Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - Three-Way Trade-Off in Multi-Objective Learning: Optimization,
Generalization and Conflict-Avoidance [47.42067405054353]
MOL(Multi-objective Learning)は、機械学習の新興問題においてしばしば発生する問題である。
MOLにおける重要な課題の1つは、反復最適化プロセスにおける異なる目的間の潜在的な衝突である。
近年,MGDAやその変種など,MOLの動的重み付けアルゴリズムが開発されている。
論文 参考訳（メタデータ） (2023-05-31T17:31:56Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Generalized Neural Closure Models with Interpretability [28.269731698116257]
我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。
マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。
本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
論文 参考訳（メタデータ） (2023-01-15T21:57:43Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z)
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。