为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

Aug, 2023

对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。

Mar, 2024

本文介绍了一种针对高分辨率高光谱图像的层次聚类算法，该算法采用新型的二阶非负矩阵分解，能够高效、稳定地将像素划分为多个簇，并可用于提取纯点。实验结果表明，与 k-means、球形 k-means 和标准 NMF 等标准聚类技术相比，该方法的性能更好。

Sep, 2013

本文介绍了如何利用计算机视觉和深度学习技术，通过对塑料的短波红外高光谱图像进行自动分析，实现了塑料废物的回收，通过专门的塑料超光谱架构，解决了分割塑料片的任务，并介绍了信号预处理在超光谱成像中的重要性，并提出了最大、最全面的塑料碎片高光谱数据集。

Mar, 2022

本文介绍了非负矩阵分解的稀疏特征提取功能，并探讨了如何解决通常情况下 NP 困难的 NMF 问题，介绍了一个称为近可分离 NMF 的问题子类，可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。

Jan, 2014

通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

Aug, 2023

通过解决修改过的非负矩阵分解（Stratified-NMF）目标函数，同时学习分层相关的统计和共享主题矩阵，我们提出了一种解决不同时间或地点收集的异质数据的问题的方法，并证明该目标函数的收敛性。然后，我们通过实验合成数据来证明该方法的效率和准确性。最后，我们将该方法应用于三个真实世界数据集，并对其学到的特征进行实证研究。

Nov, 2023

通过使用分层非线性变换和分层矩阵分解建立了一种新的张量分解方法 (H2TF)，并基于此提出了一种基于 H2TF 的高光谱图像去噪模型和一种算法来解决该模型，并通过实验验证了该方法优于现有的状态 - of-the-art 高光谱图像去噪方法。

Apr, 2023

本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释，通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题，其解具有更好的稀疏性和优化性，适用于多种图像数据集。

Apr, 2012

基于非负矩阵分解（NMF）概念的 IG-MDSR-NMF 和 IG-MDSR-RNMF 模型，通过发现数据的低秩近似，处理高维数据，并确保模型的非负性约束。与其他九种降维算法相比，两个模型在五个常用数据集上表现出明显的优越性，通过保证数据的局部结构等方面验证了低维嵌入与原始数据的对比，同时还呈现了计算复杂性和收敛性分析，从而证明了这些模型的优势。

May, 2024