SRL-SOA：基于稀疏一维算子自编码器的自表示学习用于高光谱图像波段选择
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
在高光谱图像(HSI)数据处理中，波段选择因其对计算复杂度和精度的影响而是一项重要任务。本文针对波段选择问题提出了一种新框架：基于稀疏一维算子自编码器(SOA)的自表示学习(SRL)。所提出的SRL-SOA方法引入了一种新颖的自编码器模型SOA，旨在学习一个数据被稀疏表示的表示域。此外，该网络由具有非线性神经元模型的一维算子层组成，因此利用浅层架构即可大幅提升神经元(滤波器)的学习能力。在自编码器中采用紧凑架构尤为关键，因为其恒等映射目标易导致过拟合。总体而言，在Indian Pines和Salinas-A两个HSI数据集上，依据所获地物分类精度，我们证明所提SRL-SOA波段选择方法优于对比方法。SRL-SOA方法的软件实现已公开于 https://github.com/meteahishali/SRL-SOA。
引用
@article{arxiv.2202.09918,
title = {SRL-SOA: Self-Representation Learning with Sparse 1D-Operational Autoencoder for Hyperspectral Image Band Selection},
author = {Mete Ahishali and Serkan Kiranyaz and Iftikhar Ahmad and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2202.09918},
year = {2024}
}