Entropic Descent Archetypal Analysis for Blind Hyperspectral Unmixing

要約

この論文では、エンドメンバーの線形混合を想定して、ブラインドハイパースペクトルアンミキシングの典型的な分析に基づく新しいアルゴリズムを紹介します。
原型分析は、このタスクの自然な定式化です。
この方法では、純粋なピクセル (つまり、単一のマテリアルを含むピクセル) の存在は必要ありませんが、代わりに、元のハイパースペクトル イメージに存在するいくつかのピクセルの凸結合としてエンドメンバーを表します。
私たちのアプローチは、エントロピー勾配降下戦略を活用しています。これは、(i) 従来の典型的な分析アルゴリズムよりもハイパースペクトルのアンミキシングに優れたソリューションを提供し、(ii) 効率的な GPU 実装につながります。
アルゴリズムの単一インスタンスの実行は高速であるため、適切なモデル選択手順とともにアンサンブル メカニズムも提案します。これにより、計算の複雑さを合理的に保ちながら、ハイパーパラメーターの選択に対して堅牢な方法が実現されます。
6 つの標準的な実際のデータセットを使用することで、私たちのアプローチが最先端の行列分解や最近の深層学習手法よりも優れていることを示します。
また、オープンソースの PyTorch 実装も提供しています: https://github.com/inria-thoth/EDAA.

要約(オリジナル)

In this paper, we introduce a new algorithm based on archetypal analysis for blind hyperspectral unmixing, assuming linear mixing of endmembers. Archetypal analysis is a natural formulation for this task. This method does not require the presence of pure pixels (i.e., pixels containing a single material) but instead represents endmembers as convex combinations of a few pixels present in the original hyperspectral image. Our approach leverages an entropic gradient descent strategy, which (i) provides better solutions for hyperspectral unmixing than traditional archetypal analysis algorithms, and (ii) leads to efficient GPU implementations. Since running a single instance of our algorithm is fast, we also propose an ensembling mechanism along with an appropriate model selection procedure that make our method robust to hyper-parameter choices while keeping the computational complexity reasonable. By using six standard real datasets, we show that our approach outperforms state-of-the-art matrix factorization and recent deep learning methods. We also provide an open-source PyTorch implementation: https://github.com/inria-thoth/EDAA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google