Reproducing Kernel Hilbert Space Pruning for Sparse Hyperspectral Abundance Prediction

要約

長距離センサーからのハイパースペクトル測定により、シーン内の物品、材料、化学物質の詳細な画像が得られますが、最先端のセンサーの空間解像度とスペクトル解像度が高いため、分析は難しく、時間がかかり、高価になる可能性があります。
したがって、スパース性は、スペクトル圧縮と分析の将来を可能にするために重要です。
散乱を含む環境および大気の影響により、既存の音源分離および圧縮方法に課題をもたらす非線形効果が生じる可能性があることが観察されています。
非負最小二乗最小化による枝刈りおよび疎表現の構築のためのヒルベルト空間への新しい変換を提案します。
次に、情報損失を減らすために最尤圧縮ベクトルを導入します。
私たちのアプローチは、標準的な枝刈り、最小二乗法、および深層学習手法に対してベンチマークされています。
私たちの方法は、実際のデータと合成データを使用して、全体的なスペクトル再構成誤差と圧縮率の観点から評価されます。
枝刈り最小二乗法は、マッチング追跡法とは異なり、すぐに収束することがわかります。
ヒルベルト空間枝刈りは、標準枝刈りの誤差の 40% も誤差を削減でき、ニューラル ネットワークのオートエンコーダよりも優れたパフォーマンスを発揮できることがわかりました。

要約(オリジナル)

Hyperspectral measurements from long range sensors can give a detailed picture of the items, materials, and chemicals in a scene but analysis can be difficult, slow, and expensive due to high spatial and spectral resolutions of state-of-the-art sensors. As such, sparsity is important to enable the future of spectral compression and analytics. It has been observed that environmental and atmospheric effects, including scattering, can produce nonlinear effects posing challenges for existing source separation and compression methods. We present a novel transformation into Hilbert spaces for pruning and constructing sparse representations via non-negative least squares minimization. Then we introduce max likelihood compression vectors to decrease information loss. Our approach is benchmarked against standard pruning and least squares as well as deep learning methods. Our methods are evaluated in terms of overall spectral reconstruction error and compression rate using real and synthetic data. We find that pruning least squares methods converge quickly unlike matching pursuit methods. We find that Hilbert space pruning can reduce error by as much as 40% of the error of standard pruning and also outperform neural network autoencoders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google