Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images

要約

深部分空間クラスタリング手法は現在、クラスタリングにおいて顕著であり、通常は完全に接続されたネットワークと自己表現損失関数を使用します。
ただし、これらの方法は多くの場合、過剰適合に問題があり、解釈可能性に欠けます。
このペーパーでは、深い展開に基づいた代替のクラスタリング アプローチを検討します。
このアプローチは、反復最適化手法をニューラル ネットワークに展開することにより、データ駆動型の深層学習手法と比較して解釈可能性と信頼性が向上し、モデルベースのアプローチよりも高い適応性と汎用性を提供します。
したがって、アンフォールディングは、画像の復元、再構成、超解像度などの逆イメージング問題で広く使用されるようになりましたが、クラスタリングの文脈ではまだ十分に検討されていません。
この研究では、疎部分空間クラスタリング用の交互方向乗算法 (ADMM) に基づく反復ソルバーを展開することにより、ハイパースペクトル イメージ (HSI) のための革新的なクラスタリング アーキテクチャを導入します。
私たちの知る限り、これは部分空間クラスタリングにおける自己表現行列の計算に展開型 ADMM を適用する最初の試みです。
さらに、私たちのアプローチは、構造保存モジュールの一部として K 最近傍アルゴリズムを採用することにより、HSI データの構造的特徴をよく捕捉します。
3 つの確立された HSI データセットの実験的評価は、HSI クラスタリングにおけるアンフォールディング アプローチの可能性を明確に示し、最先端の技術と比較して優れたパフォーマンスを示しています。

要約(オリジナル)

Deep subspace clustering methods are now prominent in clustering, typically using fully connected networks and a self-representation loss function. However, these methods often struggle with overfitting and lack interpretability. In this paper, we explore an alternative clustering approach based on deep unfolding. By unfolding iterative optimization methods into neural networks, this approach offers enhanced interpretability and reliability compared to data-driven deep learning methods, and greater adaptability and generalization than model-based approaches. Hence, unfolding has become widely used in inverse imaging problems, such as image restoration, reconstruction, and super-resolution, but has not been sufficiently explored yet in the context of clustering. In this work, we introduce an innovative clustering architecture for hyperspectral images (HSI) by unfolding an iterative solver based on the Alternating Direction Method of Multipliers (ADMM) for sparse subspace clustering. To our knowledge, this is the first attempt to apply unfolding ADMM for computing the self-representation matrix in subspace clustering. Moreover, our approach captures well the structural characteristics of HSI data by employing the K nearest neighbors algorithm as part of a structure preservation module. Experimental evaluation of three established HSI datasets shows clearly the potential of the unfolding approach in HSI clustering and even demonstrates superior performance compared to state-of-the-art techniques.

arxiv情報

著者 Xianlu Li,Nicolas Nadisic,Shaoguang Huang,Aleksandra Pižurica
発行日 2024-06-21 17:14:19+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク