文献

J-GLOBAL ID：202202284692386195   整理番号：22A0396558

SNMF-Net:ハイパースペクトルアンミキシングのための深層交互ニューラルネットワークの学習【JST・京大機械翻訳】

SNMF-Net: Learning a Deep Alternating Neural Network for Hyperspectral Unmixing

著者 (5件)： Xiong Fengchao (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Zhou Jun (School of Information and Communication Technology, Griffith University, Nathan, QLD, Australia) ,  Tao Shuyin (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Lu Jianfeng (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Qian Yuntao (College of Computer Science, Zhejiang University, Hangzhou, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5510816.1-16  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,構成材料を学習する重要なツールとして,そして場面における対応する分布を認識する。物理的スペクトル混合モデルは,その高度に不良な性質のため,この問題に取り組むために常に重要である。本論文では,ハイパースペクトル非混合のためのSNMF-Netと名付けた線形スペクトル混合モデル(LMM)ベースのエンドツーエンド深層ニューラルネットワークを導入した。SNMF-Netは,モデルベース手法と学習ベース法の両方から交互アーキテクチャと利益を共有する。一方では,SNMF-Netは,LMMファミリーに属する非回転L_pスパース性制約非負行列因数分解(L_p-NMF)モデルによって構築されるため,高い物理的解釈性である。他方,SNMF-Netのすべてのパラメータとサブモジュールは,L_p-NMFと非混合問題の交互最適化アルゴリズムとシームレスにリンクできる。これは,非混合,最適化アルゴリズム,およびロバスト学習のためのネットワークへのスパース表現理論に関する事前知識を合理的に統合することを可能にし,非混合を改善する。合成および実世界データに関する実験結果は,多くの最先端の方法に関して提案したSNMF-Netの利点を示した。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： *学習 ,  *ネットワーク ,  最適化手法 ,  *ニューラルネットワーク ,  *スペクトル ,  エンドツーエンド方式 ,  計算機アーキテクチャ ,  ロバスト性
準シソーラス用語： 事前知識 ,  *ハイパースペクトル ,  スパース性 ,  混合モデル ,  スパース表現 ,  非負行列因子分解 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ハイパースペクトルアンミキシング ,  深層 ,  ニューラルネットワーク ,  学習