.png){kind=icon}
返回
Overparameterized Nonnegative Tensor Factorization for Hyperspectral Unmixing
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2026.3676754.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱解混将每个像素分解为组成光谱特征（端元）并估计其对应比例（丰度），以解决由有限空间分辨率引起的谱线混合问题。尽管低秩张量分解可以利用空间-光谱结构，但其浅层表述和张量秩选择的挑战限制了其在丰度图中表征复杂低秩关系的能力。近期研究揭示，基于梯度的优化诱导隐式正则化，使得参数远超训练样本的过参数化模型能够学习强大的表示，这些表示通常具有良好的泛化能力。受此启发，我们提出了用于高光谱解混的过参数化非负张量分解（ONTF）。在线性混合模型（LMM）框架下，ONTF将丰度估计嵌入到嵌套非线性分解堆栈中，形成隐式低秩编码器。端元作为显式线性解码器进行重建。编码器和解码器均通过梯度下降联合优化。得益于隐式正则化，ONTF在恢复具有复杂非线性依赖关系的低秩丰度结构时表现出增强的能力，同时保持物理可解释性。在合成和真实高光谱数据上的实验表明，ONTF一致优于当前最先进的解混方法。
Keyword:
Deep learning
hyperspectral unmixing
implicit regularization
low-rank tensor factorization
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Superpixel-Based Autoencoder-Like Nonnegative Tensor Factorization for Hyperspectral Unmixing基于超像素的自动编码器型非负张量分解的高光谱解混
PREAI
分享收藏uDAS: An Untied Denoising Autoencoder With Sparsity for Spectral UnmixinguDAS: 一种用于频谱分解的稀疏性去噪自动编码器
PREAI
分享收藏Advances in hyperspectral image unmixing: From algorithmic frameworks to practical applications
PREAI
分享收藏Hyperspectral Unmixing Using Double Reweighted Sparse Regression and Total Variation基于双重加权稀疏回归和总变异的高光谱解混
PREAI
分享收藏Adaptive Hypergraph Regularized Multilayer Sparse Tensor Factorization for Hyperspectral Unmixing用于高光谱解混的自适应超图正则化多层稀疏张量分解
PREAI
分享收藏Spectral-Spatial Weighted Sparse Regression for Hyperspectral Image Unmixing用于高光谱图像分解的光谱空间加权稀疏回归
PREAI
分享收藏
查看更多内容