SUnAA：基于原型分析的稀疏解混
计算机视觉与模式识别
2023-08-10 v1 机器学习
图像与视频处理
摘要
本文介绍了一种使用原型分析（archetypal analysis）的新稀疏解混技术（SUnAA）。首先，我们基于原型分析设计了一个新模型。我们假设感兴趣端元是光谱库所提供的端元的凸组合，并且感兴趣端元的数量已知。然后，我们提出一个最小化问题。与大多数传统的稀疏解混方法不同，此处最小化问题是非凸的。我们使用活动集算法迭代地最小化优化目标。我们的方法对初始化具有鲁棒性，并且仅需要感兴趣端元的数量。SUnAA 使用两个模拟数据集进行评估，结果证实了其在信号到重建误差方面优于其他传统和先进的技术。SUnAA 还应用于 Cuprite 数据集，并将结果与为该数据集提供的可用地质图进行视觉比较。定性评估表明成功估计了矿物丰度，并且与传统基于回归的稀疏解混方法相比显著改进了主导矿物的检测。SUnAA 的 Python 实现可在：https://github.com/BehnoodRasti/SUnAA 找到。
引用
@article{arxiv.2308.04771,
title = {SUnAA: Sparse Unmixing using Archetypal Analysis},
author = {Behnood Rasti and Alexandre Zouaoui and Julien Mairal and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2308.04771},
year = {2023}
}