用于高光谱图像增强子空间聚类的 ADMM 展开
计算机视觉与模式识别
2024-06-24 v3
摘要
深度子空间聚类方法目前在聚类领域占据重要地位，通常使用全连接网络和自表示损失函数。然而，这些方法经常面临过拟合问题且缺乏可解释性。在本文中，我们探索了一种基于深度展开的替代聚类方法。通过将迭代优化方法展开为神经网络，该方法相比数据驱动的深度学习方法具有更好的可解释性和可靠性，相比基于模型的方法具有更强的适应性和泛化能力。因此，展开在图像反演问题（如图像恢复、重建和超分辨率）中已得到广泛应用，但在聚类背景下尚未得到充分探索。在本工作中，我们通过将基于交替方向乘子法 (ADMM) 的稀疏子空间聚类迭代求解器进行展开，引入了一种用于高光谱图像 (HSI) 的创新聚类架构。据我们所知，这是首次尝试将 ADMM 展开应用于计算子空间聚类中的自表示矩阵。此外，我们的方法通过将 K 近邻算法作为结构保持模块的一部分，很好地捕捉了 HSI 数据的结构特征。在三个公认的 HSI 数据集上的实验评估清楚地展示了展开方法在 HSI 聚类中的潜力，甚至表现出优于 SOTA 技术的性能。
引用
@article{arxiv.2404.07112,
title = {Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images},
author = {Xianlu Li and Nicolas Nadisic and Shaoguang Huang and Aleksandra Pižurica},
journal= {arXiv preprint arXiv:2404.07112},
year = {2024}
}