.png){kind=icon}
返回
An improved optimization deep nonnegative matrix factorization for hyperspectral unmixing
.png){kind=icon}
OA
AI
DOI：10.1016/j.srs.2025.100356.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种改进的深度NMF方法，用于高光谱解混，并增强了优化性能。
• 引入了一种基于正负分离的乘性更新规则，以实现稳定训练。
• 采用基于启发式SVD的分层参数初始化方法，以提升收敛速度。
• 开发了有效设置网络深度和各层参数的策略。
Keyword:
Hyperspectral unmixing
Deep nonnegative matrix factorization
Parameter initialization
Model optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.2
论文数:
520
被引数:
980
机构
引用论文
Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture高光谱成像技术及其在农业中的应用研究进展OAAI
.png){kind=icon}
OAAI分享收藏A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking图像分类模型鲁棒性综合研究: 基准测试与再思考
PREAI
分享收藏Simultaneous Spectral-Spatial Feature Selection and Extraction for Hyperspectral Images高光谱图像光谱-空间特征同步选择与提取OAAI
OAAI分享收藏Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery高光谱图像物质量化的全约束最小二乘线性光谱混合分析方法
PREAI
分享收藏
Spatial Group Sparsity Regularized Nonnegative Matrix Factorization for Hyperspectral Unmixing用于高光谱分解的空间群稀疏正则化非负矩阵分解
PREAI
分享收藏Hyperspectral Unmixing Using Sparsity-Constrained Deep Nonnegative Matrix Factorization With Total Variation基于全变分稀疏约束深度非负矩阵分解的高光谱解混
PREAI
分享收藏
查看更多内容