深度生成式端元建模：在无监督光谱解混中的应用
计算机视觉与模式识别
2019-11-22 v3
摘要
端元（EM）光谱变异性会极大影响标准高光谱图像分析算法的性能。扩展参数化模型已成功用于解释EM光谱变异性。然而，这些模型仍缺乏灵活性与低维表示之间的折中，而这一折中对于正确利用真实场景中光谱变异性常局限于低维流形这一事实是必要的。本文提出直接从观测数据中学习光谱变异性模型，而非先验地强加该模型。这是通过一个深度生成式EM模型实现的，该模型使用变分自编码器（VAE）进行估计。构成生成模型的编码器和解码器利用直接从观测图像中提取的纯像元信息进行训练，这使得无监督表述成为可能。所提出的EM模型被应用于光谱解混问题的求解，我们将其构建为一个交替非线性最小二乘问题，并在深度生成模型的潜空间中对丰度与EM的低维表示进行迭代求解。使用合成与真实数据的仿真表明，所提策略可优于当前最先进的竞争算法。
引用
@article{arxiv.1902.05528,
title = {Deep Generative Endmember Modeling: An Application to Unsupervised Spectral Unmixing},
author = {Ricardo Augusto Borsoi and Tales Imbiriba and José Carlos Moreira Bermudez},
journal= {arXiv preprint arXiv:1902.05528},
year = {2019}
}