文献

J-GLOBAL ID：202202259924892289   整理番号：22A1085685

大域的局所平滑化によるハイパースペクトルアンミキシングのためのディープオートエンコーダ【JST・京大機械翻訳】

Deep Autoencoder for Hyperspectral Unmixing via Global-Local Smoothing

著者 (5件)： Xu Xia (College of Computer Science, Nankai University, Tianjin, China) ,  Song Xinyu (School of Statistics and Data Science, KLMDASR, LEBPS, and LPMC, Nankai University, Tianjin, China) ,  Li Tao (College of Computer Science, Nankai University, Tianjin, China) ,  Shi Zhenwei (Image Processing Center, School of Astronautics, Beihang University, Beijing, China) ,  Pan Bin (School of Statistics and Data Science, KLMDASR, LEBPS, and LPMC, Nankai University, Tianjin, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5524216.1-16  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトル非混合は,混合画素を純スペクトルシグネチャ(エンドメンバー)とそれらの比率(豊度)に分解することである。最近,深い学習ベースの方法が,ハイパースペクトルデータの共同空間-スペクトル特性を抽出することによって,非混合モデルの表現能力を強化するために適用された。しかし,ほとんどの深層学習ベースの非混合法は,通常,全体のハイパースペクトル画像上の畳み込みにより大域的平滑化を行うが,これは画像内の変動を無視し,過剰平滑化をもたらす。本論文では,新しいグローバルワシントン局所平滑化オートエンコーダ(GLA)に基づくハイパースペクトル非混合のための深層ネットワークを提案した。GLAは教師なしモデルであり,ハイパースペクトル画像の局所均一性と大域的自己相似性の探索を目的とする。提案したGLAネットワークは,主に2つのモジュールを含む:局所連続条件付ランダム場平滑化(LCS)モジュールと大域的再帰平滑化(GRS)モジュール。LCSでは,局所均一性領域内の関節空間-スペクトル情報を記述するための条件付きランダム場ベース平滑化戦略を提案し,それはまた,豊度マップ境界ぼけのリスクを低減する。GRSでは,ハイパースペクトル画像に対する自己相似性仮定に従い,ピクセル間の潜在的長距離依存性関係を利用するための再帰ニューラルネットワーク構造を開発した。GLAは,実データと合成データの両方でいくつかの最先端の非混合法と比較され,そして,豊度推定結果は,著者らの方法が有望であることを示した。この記事が受け入れられるべきならば,GLAのコードを公開する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 混合 ,  畳込み ,  学習 ,  ネットワーク ,  ニューラルネットワーク ,  *スペクトル ,  画像 ,  画素 ,  *平滑化 ,  スペクトル画像 ,  自己相似性
準シソーラス用語： 確率場 ,  *ハイパースペクトル ,  ハイパースペクトル画像 ,  混合モデル ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 平滑化 ,  ハイパースペクトルアンミキシング