Fast Semi-supervised Unmixing using Non-convex Optimization

要約

この論文では、半教師あり/ライブラリベースのアンミキシング向けに調整された新しい線形モデルを紹介します。
私たちのモデルには、ライブラリーの不一致に対する考慮事項が組み込まれていると同時に、アバンダンス合計対 1 制約 (ASC) の強制が可能になります。
従来のスパース分離手法とは異なり、このモデルには非凸最適化が含まれるため、計算上大きな課題が生じます。
これらの複雑な問題を周期的に解決する際の乗算器代替法 (ADMM) の有効性を実証します。
我々は、2 つの半教師あり分離アプローチを提案します。それぞれは、ASC に加えて新しいモデルに適用される個別の事前分布、つまりスパース事前分布と凸性制約に依存します。
私たちの実験結果は、凸性制約を適用すると、エンドメンバー ライブラリに対する事前のスパース性よりも優れたパフォーマンスを発揮することを検証しました。
これらの結果は、3 つのシミュレートされたデータセット (スペクトルの変動性とさまざまなピクセル純度レベルを考慮) と Cuprite データセットにわたって裏付けられています。
さらに、従来のスパース分離手法との比較では、非凸最適化を必要とする私たちの提案モデルの大きな利点が示されています。
特に、提案されたアルゴリズムの高速半教師あり分離 (FaSUn) とソフト収縮を使用したスパース分離 (SUnS) の実装は、従来のスパース分離方法よりもかなり効率的であることが証明されています。
SUnS と FaSUn は PyTorch を使用して実装され、Fast Semisupervised Unmixing (FUnmix) と呼ばれる専用の Python パッケージで提供されます。このパッケージはオープンソースであり、https://github.com/BehnoodRasti/FUnmix から入手できます。

要約(オリジナル)

In this paper, we introduce a novel linear model tailored for semisupervised/library-based unmixing. Our model incorporates considerations for library mismatch while enabling the enforcement of the abundance sum-to-one constraint (ASC). Unlike conventional sparse unmixing methods, this model involves nonconvex optimization, presenting significant computational challenges. We demonstrate the efficacy of Alternating Methods of Multipliers (ADMM) in cyclically solving these intricate problems. We propose two semisupervised unmixing approaches, each relying on distinct priors applied to the new model in addition to the ASC: sparsity prior and convexity constraint. Our experimental results validate that enforcing the convexity constraint outperforms the sparsity prior for the endmember library. These results are corroborated across three simulated datasets (accounting for spectral variability and varying pixel purity levels) and the Cuprite dataset. Additionally, our comparison with conventional sparse unmixing methods showcases considerable advantages of our proposed model, which entails nonconvex optimization. Notably, our implementations of the proposed algorithms-fast semisupervised unmixing (FaSUn) and sparse unmixing using soft-shrinkage (SUnS)-prove considerably more efficient than traditional sparse unmixing methods. SUnS and FaSUn were implemented using PyTorch and provided in a dedicated Python package called Fast Semisupervised Unmixing (FUnmix), which is open-source and available at https://github.com/BehnoodRasti/FUnmix

arxiv情報

提供元, 利用サービス

arxiv.jp, Google