基于扩散几何的无监督空间-光谱高光谱图像重建与聚类
计算与语言
2022-04-29 v1 机器学习
摘要
高光谱图像存储百个及以上反射率波段，已成为自然科学与社会科学的重要数据源。高光谱图像常以较大数量、相对较低空间分辨率生成。因此，需要结合高光谱影像中已知结构的无监督机器学习算法来自动分析这些图像。本文引入基于扩散几何的空间-光谱图像重建与聚类（DSIRC）算法，用于划分高度混合的高光谱图像。DSIRC 通过形状自适应重建过程降低测量噪声。具体而言，对每个像素，DSIRC 在数据自适应空间邻域内定位光谱相关像素，并利用其邻域像素重建该像素的光谱特征。随后，DSIRC 定位在扩散距离（一种数据依赖的距离度量）上远离其他高密度、高纯度像素的高密度、高纯度像素，并将其作为聚类范例，赋予唯一标签。非模态像素被赋予其扩散距离上更近、密度与纯度更高且已标签的邻域的标签。有力的数值结果表明，通过图像重建引入空间信息显著提升了逐像素聚类的性能。
引用
@article{arxiv.2204.13496,
title = {EVI: Multilingual Spoken Dialogue Tasks and Dataset for Knowledge-Based Enrolment, Verification, and Identification},
author = {Georgios P. Spithourakis and Ivan Vulić and Michał Lis and Iñigo Casanueva and Paweł Budzianowski},
journal= {arXiv preprint arXiv:2204.13496},
year = {2022}
}
备注
13 pages, 7 figures, 7 tables. Accepted in NAACL 2022 (Findings)