Apr, 2024

增强的高光谱图像子空间聚类的展开式 ADMM

PDF
TL;DR本文介绍了一种创新的基于深度展开的聚类架构，通过对稀疏子空间聚类的交替方向方法求解器进行展开，可以捕捉到高光谱图像数据的结构特征，并采用 K 最近邻算法保持结构的模块，实验证明基于展开方法在高光谱图像聚类中具有潜力，并比现有技术表现出更好的性能。
deep unfoldingclusteringiterative optimization methodsalternating direction method of multipliershyperspectral images
发现论文，激发创造
  • 基于图卷积网络的高光谱图像对比多视角子空间聚类

    通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

    Dec, 2023

  • 基于图卷积网络的多视角高光谱图像子空间聚类

    该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。

    Mar, 2024

  • 潜在扩散先验增强的深度展开在光谱影像重建中的应用

    使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

    Nov, 2023

  • 像素自适应深度展开变换器用于高光谱图像重建

    我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT)，通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征，并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI 重建方法具有卓越的性能。

    Aug, 2023

  • 通过深度展开的分布式 ADMM 实现有限通信的分布式优化

    通过采用深度展开方法，我们提出了展开的 D-ADMM 算法，它在每个代理之间仅交换了固定数量的消息，有效地减少了 D-ADMM 中的通信数量，同时保持了算法的可解释性和灵活性。我们将展开的 D-ADMM 算法应用于分布式估计任务和分布式学习场景，并证明了该方法在保持性能的同时显著减少了通信开销。

    Sep, 2023

  • 拆封 ADMM: 通过转置缩减实现高效的分布式计算

    我们提出了迭代方法，并使用转置降维策略解决全局子问题，使单个节点能够在分布式数据集上解决最小二乘问题，为线性分类器和稀疏线性模型的拟合提供了简单迭代方法，并且使用超过 7000 个核心的分布式实现要比以前的方法节省时间。

    Apr, 2015

  • 交替方向乘子法的非凸稀疏谱聚类及其收敛性分析

    该研究提出了一种基于交替方向乘子法 (ADMM) 的非凸稀疏谱聚类算法，直接对 $UU^ op$ 施加稀疏正则化，该算法具有收敛保证和高效性，实验结果验证了其有效性。

    Dec, 2017

  • 面向降级的展开半混洗变压器用于光谱压缩成像

    本文提出一个基于 Transformer 网络的 HSI 重建方法，称作 DAUHST。该方法使用 DAUF 框架估算压缩图像和物理掩模的参数，并使用这些参数来控制每一次迭代。同时，自定义的半洗牌 Transformer（HST）可以同时捕获局部内容和非局部依赖性，实验证明 DAUHST 明显优于其他最先进的方法，并具有较低的计算和存储成本。

    May, 2022

  • 基于图约束的人体运动分割数据表示学习

    该研究提出了一种基于转移子空间学习的无监督模型，结合了轨迹数据的几何结构信息和较大的自由度，通过 ADMM 算法实现学习辅助数据表示、非负字典和编码矩阵的优化，实验结果表明该方法在人体运动分割方面的聚类性能显著优于当前最先进的半监督转移学习方法。

    Jul, 2021

  • 双波段高光谱蛇纹红法进行高效光谱压缩成像

    提出了一种新颖的双重高光谱 Mamba (DHM) 方法，通过探索全局远程依赖和局部环境，实现高效的 HSI 重建。

    Jun, 2024