通过网络重初始化提升自编码器训练性能以进行高光谱解混
图像与视频处理
2022-04-13 v3 计算机视觉与模式识别
机器学习
摘要
神经网络，尤其是自编码器，是高光谱数据解混最具前景的解决方案之一，即重建观测物质（端元）的光谱及其相对混合比例（丰度），这是有效的高光谱分析与分类所必需的。然而，正如本文所示，用于解混的自编码器训练高度依赖于权重初始化；某些权重集合会导致退化或低性能解，从而在期望性能中引入负偏差。本工作中，我们基于神经元死亡激活的系数，实验性地研究了自编码器的稳定性以及网络重初始化方法。我们证明所提出的技术在重建、丰度和端元误差方面对自编码器训练具有正向影响。
引用
@article{arxiv.2109.13748,
title = {Improving Autoencoder Training Performance for Hyperspectral Unmixing with Network Reinitialisation},
author = {Kamil Książek and Przemysław Głomb and Michał Romaszewski and Michał Cholewa and Bartosz Grabowski and Krisztián Búza},
journal= {arXiv preprint arXiv:2109.13748},
year = {2022}
}