SCA-Net：一种用于高光谱解混的自校正双层自编码器
机器学习
2021-10-29 v5
摘要
高光谱解混旨在将像素分离为其组成端元及对应丰度的加权和，当前在基准数据集上由神经模型取得最优结果。然而，这些网络严重过参数化，因此作为解码器权重提取出的不变端元光谱在多次运行中具有较大多变性。这些方法需进行大量后处理，同时要求精确指定端元数量，并从 VCA 等其他算法对权重进行专门初始化。我们首次表明，一个具有 个参数（ 个特征， 个端元）的双层自编码器（SCA）所能达到的误差指标与此前报道的数值 相差数量级（）。SCA 从权重的随机初始化出发即可收敛到该低误差解。我们还表明，基于双正交表示的 SCA 在端元数量被过量指定时会进行自校正。在 Samson、Jasper 和 Urban 数据集上的数值实验表明，SCA 在所有情况下均优于此前报道的误差指标，同时对噪声和离群点具有鲁棒性。
引用
@article{arxiv.2102.05713,
title = {SCA-Net: A Self-Correcting Two-Layer Autoencoder for Hyper-spectral Unmixing},
author = {Gurpreet Singh and Soumyajit Gupta and Clint Dawson},
journal= {arXiv preprint arXiv:2102.05713},
year = {2021}
}