SUnAA:基于典型分析的稀疏解混合
本文提出了一种基于神经元的半二次优化技术的鲁棒性第一个非监督高光谱分离模型,该模型针对纯度未知的情况下如何准确进行分离和清晰谱带噪声的情况下如何去噪,通过引入基于神经元的指标和数据稀疏等约束条件来解决这些问题.
May, 2013
考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布,本文提出使用高斯混合模型表示端元变化,通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系,基于此给出了一种用于估计混合像素分布和端元的方法,并在合成数据和真实数据上验证其效果。
Sep, 2017
这篇论文开发了一种全自动的无监督处理工作流程,使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类,该工作流程称为 GyPSUM, 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。
Jun, 2021
本研究提出 Learned PALM 算法,通过算法展开/展开来解决常规稀疏盲源分离算法的超参数选择困难的问题,并能够处理变量混合矩阵,从而实现半盲源分离。在黑洞成像等领域中,这种算法比PALM算法拥有更高的分离质量和更少的迭代次数,并优于其他半盲源分离方法。
Dec, 2021
本文介绍了一种针对半监督/基于库的解混合的新型线性模型,该模型结合了库不匹配的考虑,同时实现了丰度总和为一的约束(ASC)。与传统的稀疏解混合方法不同,该模型涉及非凸优化,带来了显著的计算挑战。我们证明了交替乘子法(ADMM)在循环解决这些复杂问题方面的有效性。我们提出了两种半监督解混合方法,分别依赖于应用于新模型和ASC的不同先验:稀疏性先验和凸性约束。我们的实验结果验证了对端元库施加凸性约束优于稀疏性先验。这些结果在三个模拟数据集(考虑光谱变异性和不同像素纯度级别)和Cuprite数据集上得到了验证。此外,我们与传统稀疏解混合方法的比较展示了我们提出的模型的明显优势,该模型涉及非凸优化。值得注意的是,我们提出的算法(快速半监督解混合FaSUn和软阈值稀疏解混合SUnS)的实现要比传统稀疏解混合方法高效得多。SUnS和FaSUn使用PyTorch实现,并在一个名为Fast Semisupervised Unmixing (FUnmix)的专用Python包中提供,该包是开源的,可在此URL获取。
Jan, 2024
通过将多尺度空间正则化方法推广到无混合问题中,通过融合组稀疏诱导混合范数,提出了一种噪声鲁棒的方法,能够在合理的计算成本下利用束结构处理端元变异,并确保丰度估计的类内和类间稀疏性。同时,我们还提出了一种通用的启发式方法,通过多次运行混合过程选择得到最具代表性的丰度估计,从而获得具有鲁棒性和高可复现性的解决方案。实验结果表明,在与相关方法比较时,所得结果的鲁棒性和一致性。
Jan, 2024
硬件专业化的趋势导致在处理稀疏工作负载时越来越多地使用自定义数据格式,而现有的稀疏张量编程模型和编译器对自定义格式的支持很少或没有。为了克服这个缺陷,我们提出了UniSparse,它是一种提供统一抽象的中间语言,用于表示和自定义稀疏格式。与现有的基于属性的框架不同,UniSparse将稀疏张量的逻辑表示(即数据结构)与其底层内存布局解耦,从而实现了两者的自定义。通过实验,我们证明了我们的方法在多种不同的硬件目标上运行常用的稀疏线性代数操作与专门格式的有效性,包括Intel CPU、NVIDIA GPU、AMD Xilinx FPGA和模拟的内存中处理(PIM)设备。
Mar, 2024
本研究解决了高光谱解混过程中的一个关键问题,即如何从未知材料的光谱库中有效辨识出单一材料及其丰度。通过全面评估多种回归方法的性能,提出了一种基于贝叶斯框架的回归方法分类法,表明与高光谱图像现象相对应的先验知识的使用可以显著提高解混的准确性。这项工作对高光谱数据分析领域有重要影响,推动了解混技术的进步。
Aug, 2024