用于多时相高光谱图像分解的 Transformer
图像与视频处理
2024-07-16 v1 计算机视觉与模式识别
摘要
多时相高光谱图像分解（MTHU）在监测和分析表面动态变化方面具有重要重要性。然而，与单时相分解相比，多时相方法需要综合考虑不同时相间的信息，这使得问题更加具有挑战性。为此，我们提出了一种名为多时相高光谱图像分解 Transformer（MUFormer）的端到端无监督深度学习模型。为有效实现多时相高光谱图像分解，我们引入了两个关键模块：全局感知模块（GAM）和变化增强模块（CEM）。全局感知模块计算所有时相之间的自注意力，促进全局权重分配。另一方面，变化增强模块通过比较相邻时相间的端成员变化来动态学习局部时序变化。这些模块的协同作用使得能够捕获关于端成员和丰度变化的语义信息，从而提高了多时相高光谱图像分解的效果。我们在一个真实数据集和两个合成数据集上进行了实验，结果表明我们的模型显著提升了多时相高光谱图像分解的效果。
关键词
引用
@article{arxiv.2407.10427,
title = {Transformer for Multitemporal Hyperspectral Image Unmixing},
author = {Hang Li and Qiankun Dong and Xueshuo Xie and Xia Xu and Tao Li and Zhenwei Shi},
journal= {arXiv preprint arXiv:2407.10427},
year = {2024}
}