Jun, 2023

基于低秩背景子空间学习和图拉普拉斯正则化的高光谱目标检测

PDF
TL;DR本文提出了一种基于低秩表示（LRR）和图拉普拉斯正则化（GLR）的高效优化方法，用于解决高光谱目标检测中的未知背景字典和空间信息利用不足的问题，实验证明了该方法的有效性和优越性。
hyperspectral target detectionoptimizing approachlow-rank representationgraph laplacian regularizationbackground subspace learning
发现论文，激发创造
  • 低秩表示与深度展开相结合：一种广义且可解释的用于高光谱异常检测的网络

    通过构建更具鲁棒性的 AIR-HAD 基准数据集，利用 LRR-Net$^+$ 模型在复杂场景下解耦背景结构和对象属性，消除干扰目标引入的偏差，结合物理模型和深度学习技术，实现自动参数优化和提升检测性能和泛化能力。

    Feb, 2024

  • 超越低秩表示：多视图谱聚类最优图结构正交聚类基重构

    本文探究了低秩表示（LRR）的本质，将其发现为基于聚类投影的表示方法，通过基于低秩矩阵分解将其转换为同时学习正交聚类表示和优化本地图结构的问题，并且得到了在多视图数据上的实验验证。

    Aug, 2017

  • 低秩表示法恢复子空间结构

    该研究提出了一种名为低秩表示（LRR）的新方法，它可以在给定字典中，寻求能够线性组合数据样本的最低秩表示，从而准确地解决亚空间恢复问题，包括亚空间分割和错误修正，并且具有较高的容错性和效率。

    Oct, 2010

  • 多层次图子空间对比学习用于高光谱图像聚类

    本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

    Apr, 2024

  • 迭代视图协议：基于迭代低秩结构优化方法的多视角谱聚类

    本文提出了一种多图拉普拉斯正则化的低秩表示方法来解决多视图谱聚类问题，该方法不仅在保持本地流形结构方面具有很好的性能，而且还能逐步使不同视图更加一致。在真实世界的多视图数据集上的广泛实验证明了其优越性。

    Aug, 2016

  • 利用低秩表示进行精确子空间分割和异常值检测

    提出了一种基于低秩表示 (LRR) 的方法，能高效地、准确地检测异常值和将样本分割到它们所属的正确子空间中；利用 LRR 可恢复样本的行空间来确定子空间成员资格。

    Sep, 2011

  • 最小二乘回归的稳健高效子空间分割

    研究多个线性子空间的数据分割问题。最新的方法使用稀疏表示、低秩表示及其扩展引起了广泛关注。该论文介绍了基于数据相关性提出的最小二乘回归 (Least Squares Regression, LSR) 方法，对实验数据进行处理，获得了比目前最先进的方法更高的分割准确性与更高的效率。

    Apr, 2014

  • 图像识别的判别式分块对角表示学习

    本文提出了基于 BDLRR 的低秩块对角形式表示方法，并在半监督低秩表示的框架下，通过惩罚约束来消除不同类别的表示之间的相关性并加强块对角表示以增强对训练样本和测试样本的识别。通过采用交替最优化策略将得到的优化问题优雅地解决，并利用学习到的表示的简单识别算法进行最后的预测，在四个面部图像数据集，三个字符数据集和十五个场景多类别数据集上取得了卓越的识别结果，并表现出优于现有方法的潜力。

    Jul, 2017

  • 基于子空间正则化的高光谱图像超分辨率的凸形式表达

    该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法，使用向量全变差作为正则化项，通过 Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化，取得了优于现有算法的效果。

    Nov, 2014

  • 自监督异常先验的高光谱异常检测

    该研究提出了一种基于自监督网络的自监督异常先验（SAP），将低秩表示模型中的异常分量优化为了更好地适应高光谱异常，同时提出了一种双纯化策略来从复杂背景中分离异常，并通过实验验证了该方法在各种高光谱数据集上的准确性和可解释性。

    Apr, 2024