GAUSS: Guided Encoder-Decoder Architecture for Hyperspectral Unmixing with Spatial Smoothness

要約

最近のハイパースペクトル アンミキシング (HU) の文献では、ディープ ラーニング (DL) の適用が、特にオートエンコーダー (AE) アーキテクチャでより顕著になっています。
分割アーキテクチャを提案し、存在量の疑似グラウンド トゥルースを使用して、「アンミキシング ネットワーク」(UN) の最適化を導きます。
UN に先立って、「近似ネットワーク」(AN) が提案されました。これは、中心ピクセルとその近傍との間の関連付けを改善します。
したがって、その出力は国連への入力であり、「混合ネットワーク」（MN）の参照であるため、存在量の空間相関が強調されます。
空間的平滑性を備えたハイパースペクトル アンミキシングのためのガイド付きエンコーダー デコーダー アーキテクチャ (GAUSS) では、ワンホット エンコードされた存在量を疑似グラウンド トゥルースとして使用して国連を導くことを提案しました。
k-means アルゴリズムを使用して計算され、以前の HU メソッドの使用を除外します。
さらに、HU の標準的な AE とは対照的に、UN で生成された存在量を導入することにより、MN の単層制約を解放します。
次に、GAUSS メソッドを使用して、事前にトレーニングされたネットワークで 2 つの変更を試しました。
GAUSS$_\textit{blind}$ では、UN と MN を連結して、再構成誤差の勾配をエンコーダに逆伝搬させています。
次に、GAUSS$_\textit{prime}$ では、GAUSS アーキテクチャによる疑似グラウンド トゥルースとして、信頼性の高いアバンダンス結果を持つ信号処理 (SP) メソッドのアバンダンス結果が使用されました。
4 つの実験データセットの定量的およびグラフィカルな結果によると、3 つのアーキテクチャは、DL ドメインと SP ドメインの両方からの既存の HU アルゴリズムのパフォーマンスを超えるか、または同等とみなしました。

要約(オリジナル)

In recent hyperspectral unmixing (HU) literature, the application of deep learning (DL) has become more prominent, especially with the autoencoder (AE) architecture. We propose a split architecture and use a pseudo-ground truth for abundances to guide the `unmixing network’ (UN) optimization. Preceding the UN, an `approximation network’ (AN) is proposed, which will improve the association between the centre pixel and its neighbourhood. Hence, it will accentuate spatial correlation in the abundances as its output is the input to the UN and the reference for the `mixing network’ (MN). In the Guided Encoder-Decoder Architecture for Hyperspectral Unmixing with Spatial Smoothness (GAUSS), we proposed using one-hot encoded abundances as the pseudo-ground truth to guide the UN; computed using the k-means algorithm to exclude the use of prior HU methods. Furthermore, we release the single-layer constraint on MN by introducing the UN generated abundances in contrast to the standard AE for HU. Secondly, we experimented with two modifications on the pre-trained network using the GAUSS method. In GAUSS$_\textit{blind}$, we have concatenated the UN and the MN to back-propagate the reconstruction error gradients to the encoder. Then, in the GAUSS$_\textit{prime}$, abundance results of a signal processing (SP) method with reliable abundance results were used as the pseudo-ground truth with the GAUSS architecture. According to quantitative and graphical results for four experimental datasets, the three architectures either transcended or equated the performance of existing HU algorithms from both DL and SP domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google