The hybrid approach — Convolutional Neural Networks and Expectation Maximization Algorithm — for Tomographic Reconstruction of Hyperspectral Images

要約

ニューラル ネットワークと反復的な期待値最大化 (EM) アルゴリズムを順次組み合わせたコンピューター断層撮影画像分光法 (CTIS) 画像からハイパースペクトル データ キューブを再構築するためのシンプルだが斬新なハイブリッド アプローチを提示します。
CTIS シミュレーターによって生成されたシミュレートされた CTIS 画像から、25 および 100 スペクトル チャネルに対応する $100\times100\times25$ および $100\times100\times100$ ボクセルのデータ キューブを再構築する方法の能力をトレーニングおよびテストします。
ハイブリッド アプローチは、ノイズに関する畳み込みニューラル ネットワーク (CNN) の固有の強みと、一貫した再構成を生成する能力を利用し、トレーニングなしで任意のオブジェクトのスペクトル イメージに一般化する EM アルゴリズムの能力を利用します。
ハイブリッド アプローチは、25 チャネルと 100 チャネルの両方のケースで、CNN と EM の両方を単独で使用する場合よりも優れたパフォーマンスを実現します。
25 のスペクトル チャネルの場合、平均二乗誤差に関して、CNN からハイブリッド モデル (CNN + EM) への改善は 14 ～ 26% です。
100 のスペクトル チャネルの場合、19 ～ 40% の改善が達成され、トレーニング中に CNN がさらされない目に見えないデータの最大の改善は 40% です。

要約(オリジナル)

We present a simple but novel hybrid approach to hyperspectral data cube reconstruction from computed tomography imaging spectrometry (CTIS) images that sequentially combines neural networks and the iterative Expectation Maximization (EM) algorithm. We train and test the ability of the method to reconstruct data cubes of $100\times100\times25$ and $100\times100\times100$ voxels, corresponding to 25 and 100 spectral channels, from simulated CTIS images generated by our CTIS simulator. The hybrid approach utilizes the inherent strength of the Convolutional Neural Network (CNN) with regard to noise and its ability to yield consistent reconstructions and make use of the EM algorithm’s ability to generalize to spectral images of any object without training. The hybrid approach achieves better performance than both the CNNs and EM alone for seen (included in CNN training) and unseen (excluded from CNN training) cubes for both the 25- and 100-channel cases. For the 25 spectral channels, the improvements from CNN to the hybrid model (CNN + EM) in terms of the mean-squared errors are between 14-26%. For 100 spectral channels, the improvements between 19-40% are attained with the largest improvement of 40% for the unseen data, to which the CNNs are not exposed during the training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google