基于潜在狄利克雷变分自编码器的超光谱像素解混
图像与视频处理
2024-02-07 v5 计算机视觉与模式识别
机器学习
摘要
我们提出了一种超光谱像素解混的方法。该方法假设：(1)丰度可编码为狄利克雷分布；(2)端元的光谱可表示为多元正态分布。该方法在变分自编码器框架下解决丰度估计与端元提取问题，其中狄利克雷瓶颈层对丰度建模，解码器执行端元提取。所提方法还可利用迁移学习范式，即模型仅在包含感兴趣的一个或多个端元线性组合像素的合成数据上训练。在此情形下，我们从美国地质调查局光谱库检索端元（光谱）。如此训练的模型随后可用于对包含用于生成合成数据的端元子集的“真实数据”进行像素解混。该模型在多个基准上取得最先进结果：Cuprite、Urban Hydice和Samson。我们还提出新的合成数据集OnTech-HSI-Syn-21，可用于研究超光谱像素解混方法。我们在Cuprite和OnTech-HSI-Syn-21数据集上展示了所提模型的迁移学习能力。总之，所提方法可应用于多种领域的像素解混，包括农业、林业、矿物学、材料分析、医疗健康等。此外，该方法通过利用迁移学习范式（模型使用“真实”数据中存在的端元生成的合成数据训练）避免了训练对标注数据的需求。
引用
@article{arxiv.2203.01327,
title = {Hyperspectral Pixel Unmixing with Latent Dirichlet Variational Autoencoder},
author = {Kiran Mantripragada and Faisal Z. Qureshi},
journal= {arXiv preprint arXiv:2203.01327},
year = {2024}
}