Unsupervised sparsity-based unmixing of hyperspectral imaging data using an online sparse coding dictionary
Notice bibliographique
Résumé
Due to the low spatial resolution of the hyperspectral cameras, the acquired spectral pixels are mixtures of present materials in the scene called endmembers. All spectral pixels are assumed to be mixtures of these endmembers with different amounts called abundances. Unmixing of the spectral pixels is a very important task for the analysis of these hyperspectral data cubes. Unsupervised unmixing aims to estimate the endmembers signatures and their abundances in each pixel without any prior knowledge about the given cube. Sparsity is one of the recent approaches used in the unmixing techniques. Solving the basis pursuit problem could be used as a sparsity-based approach to solving this unmixing problem where the endmembers are assumed to be sparse in a domain known as a dictionary. The choice of an appropriate dictionary is important for obtaining sparser representations of the given spectral pixels for better unmixing results. Two main approaches of dictionaries for sparse representation; analytic dictionaries approach and learned custom dictionaries approach. The contribution of this paper is the use of the recent online sparse coding dictionary as a learned custom dictionary for more fitting of the spectral pixels in solving the basis pursuit unmixing problem. While using the online sparse coding algorithm is more computational than any predefined transform family, but it has the advantage of no need for choosing a suitable family for the given spectral pixels. The online dictionary learning was successfully used in solving the basis pursuit unmixing problem to unmix both real AVIRIS data cube obtained from AVIRIS-NASA website and a synthetic cube made up from few materials selected from the given ASTER spectral library.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».