基于多项混合核与Wasserstein生成对抗损失的光谱解混
计算机视觉与模式识别
2020-12-15 v1
摘要
本研究提出一种利用一维卷积核与光谱不确定性的光谱解混新框架。从数据计算高层表示，并进一步用多项混合模型建模以在严重光谱不确定性下估计丰度。此外，在重构步骤中引入了基于非线性神经网络模型的可训练不确定性项。所有不确定性模型均由Wasserstein生成对抗网络(WGAN)优化，以提升稳定性并捕捉不确定性。实验在真实与合成数据集上开展。结果验证了所提方法取得最先进(SOTA)性能，尤其相较于基线在真实数据集上。项目页：https://github.com/savasozkan/dscn。
引用
@article{arxiv.2012.06859,
title = {Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein Generative Adversarial Loss},
author = {Savas Ozkan and Gozde Bozdagi Akar},
journal= {arXiv preprint arXiv:2012.06859},
year = {2020}
}
备注
AI for Earth Sciences Workshop at NeurIPS 2020