文献

J-GLOBAL ID：201902284643935190   整理番号：19A2501905

多様体正則化によるCauchyスパースNMF ハイパースペクトル非混合のためのロバストな方法【JST・京大機械翻訳】

Cauchy sparse NMF with manifold regularization: A robust method for hyperspectral unmixing

著者 (3件)： Wang Haotian (State Key Laboratory of High Performance Computing (HPCL), College of Computer, National University of Defense Technology, PR China) ,  Yang Wenjing (State Key Laboratory of High Performance Computing (HPCL), College of Computer, National University of Defense Technology, PR China) ,  Guan Naiyang (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology, Beijing 100073, PR China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 184  ページ： Null  発行年： 2019年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最近,非負行列因数分解(NMF)はハイパースペクトル画像(HSI)非混合タスクにおいて大きな成功を達成した。しかし,既存のNMFベースの非混合法は,一般に2つの主要な欠点を被っている。1)ロバスト性の欠如,それは実際のHSIデータにおけるノイズ汚染を扱うとき,障害に導いた。そして,2)マニホールド保存の無視,HSIデータの固有構造の崩壊をもたらした。したがって,これらの2つの問題を扱うために,著者らは,多様体正則化(MCSNMF)を有するCauchyスパースNMFと呼ばれるロバストなハイパースペクトル非混合モデルを提案した。それは,以前の幾何学的構造をロバストな部分空間学習に組み込んだ。より具体的には,エンドメンバを抽出するときの異常値をフィルターにかけるために,著者らはまばらなTruncated Cauchy関数を通して再構成誤差を測定した。一方,元のHSIデータの多様体構造を保存するために,著者らは,MCSNMFへの存在量に関するグラフ正則化を組み込んだ。さらに,最適化の観点から,提案した方法のロバスト性を確認するための理論解析を行った。効率的な半二次ベースのアルゴリズムによって最適化されて,MCSNMFは,シミュレートされたデータセットと実際のシーン画像の両方に関する最先端のNMFベースの非混合方法より優れている。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  画像 ,  フィルタ ,  *正則化 ,  マニホールド ,  *多様体 ,  再構成 ,  異常値 ,  アルゴリズム ,  *ロバスト性 ,  雑音
準シソーラス用語： ハイパースペクトル画像 ,  非負行列因子分解 ,  *ハイパースペクトル ,  *スパース , 【Automatic Indexing@JST】

著者キーワード (3件)： 非負行列因子分解 ,  ハイパースペクトル非混合 ,  ロバスト性

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 多様体 ,  正則化 ,  NMF ,  ハイパースペクトル ,  ロバスト