基于变分循环神经网络的动态高光谱解混
图像与视频处理
2023-05-03 v1 计算机视觉与模式识别
摘要
多时相高光谱解混（MTHU）是分析高光谱图像序列的基本工具。它揭示了给定场景中物质（端元）及其比例（丰度）的动态演化。然而，在无监督框架中充分考虑 MTHU 中端元的空间和时间变异性具有挑战性，且至今尚未得到完全解决。本文提出了一种基于变分循环神经网络的无监督 MTHU 算法。首先，提出一个随机模型来表示端元和丰度的动态演化以及混合过程。此外，使用基于低维参数化的新模型来表示端元的时空变异性，显著减少了待估计变量的数量。我们将 MTHU 形式化为贝叶斯推断问题。然而，由于模型的非线性和非高斯性，该问题不存在解析解。因此，我们提出了一种基于深度变分推断的解决方案，其中使用循环神经网络和物理驱动模型的组合来表示估计丰度和端元的后验分布。模型的参数使用随机反向传播进行学习。实验结果表明，所提方法优于现有 MTHU 算法。
引用
@article{arxiv.2303.10566,
title = {Dynamical Hyperspectral Unmixing with Variational Recurrent Neural Networks},
author = {Ricardo Augusto Borsoi and Tales Imbiriba and Pau Closas},
journal= {arXiv preprint arXiv:2303.10566},
year = {2023}
}