高光谱解混：真值标注、数据集、基准性能与综述
计算机视觉与模式识别
2017-10-12 v2
摘要
高光谱解混（HU）是广泛的高光谱应用中非常有用且日益流行的预处理步骤。然而，HU 研究受到三个因素的大量制约：高光谱图像（尤其是带有真值的图像）数量非常有限；大多数高光谱图像的真值未在网络上共享，这可能给研究人员评估其算法带来许多不必要的麻烦；大多数 SOTA 方法的代码未共享，这也可能延迟新方法的测试。因此，本文从以下三个视角处理上述问题：作为一项深刻的贡献，我们为 HU 提供了一种通用的标注方法。借此，我们标注了多达 15 幅高光谱图像，提供了 18 个版本的真值。据我们所知，这是第一篇为 HU 总结并共享多达 15 幅高光谱图像及其 18 个版本真值的论文。观察到高光谱分类比 HU 拥有更多的标准数据集（其真值通常公开共享），我们提出了一种有趣的方法，将 HyC 数据集转化为 HU 研究的数据集。为了进一步促进在不同条件下对 HU 方法的评估，我们回顾并实现了生成复杂合成高光谱图像的算法。通过调整代码中的超参数，我们可以从四个视角验证 HU 方法。该代码也将在网络上共享。为了提供标准比较，我们回顾了多达 10 种 SOTA HU 算法，然后选择了 5 种最具基准意义的 HU 算法，并在 15 个真实高光谱数据集上对它们进行了比较。实验结果无疑是可复现的；实现的代码将在网络上共享。
引用
@article{arxiv.1708.05125,
title = {Hyperspectral Unmixing: Ground Truth Labeling, Datasets, Benchmark Performances and Survey},
author = {Feiyun Zhu},
journal= {arXiv preprint arXiv:1708.05125},
year = {2017}
}