端元引导解混网络（EGU-Net）：一种用于自监督高光谱解混的通用深度学习框架
图像与视频处理
2021-05-24 v1 计算机视觉与模式识别
摘要
过去几十年中，人们为改进线性或非线性混合模型在高光谱解混中的性能做出了巨大努力，然而由于数据拟合与重建能力较差以及对各种光谱变异性的敏感性，这些模型同时泛化多种光谱变异性并提取具有物理意义的端元的能力仍然有限。受深度学习强大学习能力的启发，我们尝试通过充分考虑从高光谱影像中提取的端元特性，开发一种用于高光谱解混的通用深度学习方法，称为端元引导解混网络（EGU-Net）。除单一的类自编码器架构外，EGU-Net是一个双流孪生深度网络，它从纯或近纯端元中学习一个额外的网络，通过共享网络参数并添加具有光谱意义的约束（如非负性和和为一约束）来校正另一解混网络的权重，从而获得更准确且可解释的解混结果。此外，该通用框架不仅限于像素级光谱解混，还可借助卷积算子进行空间信息建模，适用于空间-光谱解混。在三个具有各材料丰度图真值的不同数据集上的实验结果表明，EGU-Net优于最先进的解混算法，具有有效性和优越性。代码将于以下网址提供：https://github.com/danfenghong/IEEE_TNNLS_EGU-Net。
引用
@article{arxiv.2105.10194,
title = {Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing},
author = {Danfeng Hong and Lianru Gao and Jing Yao and Naoto Yokoya and Jocelyn Chanussot and Uta Heiden and Bing Zhang},
journal= {arXiv preprint arXiv:2105.10194},
year = {2021}
}