基于模型的非线性高光谱解混深度自编码器网络
信号处理
2022-02-16 v1 机器学习
摘要
自编码器（AEC）网络近来作为一种有前景的方法崭露头角，通过将潜在表示与丰度、解码器与混合模型、编码器与其逆过程相关联，来执行无监督高光谱解混（HU）。AEC 对非线性 HU 尤其具有吸引力，因为它们能导出无监督且无模型的算法。然而，现有方法未能利用编码器应反转混合过程这一事实，这可能降低其鲁棒性。在本文中，我们提出一种基于模型的非线性 HU 自编码器，将混合模型视为线性混合上的非线性涨落。与以往工作不同，我们表明这一约束自然地赋予编码器和解码器网络一种特定结构。这在不降低混合模型灵活性的前提下，将先验信息引入 AEC。基于合成与真实数据的仿真表明，所提策略改善了非线性 HU。
引用
@article{arxiv.2104.08409,
title = {Model-Based Deep Autoencoder Networks for Nonlinear Hyperspectral Unmixing},
author = {Haoqing Li and Ricardo Augusto Borsoi and Tales Imbiriba and Pau Closas and José Carlos Moreira Bermudez and Deniz Erdoğmuş},
journal= {arXiv preprint arXiv:2104.08409},
year = {2022}
}