Geometrical constrained independent component analysis for hyperspectral unmixing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the limitations of the hyperspectral remote sensing application is the existence of mixed pixels in image data. Spectral decomposition, which separates the mixed pixels into a set of endmember spectra and abundance fractions, is the most effective way to solve the mixed pixel problem. Due to the independence of source signals, independent component analysis (ICA) has been developed for hyperspectral unmixing by adding auxiliary constraints. Abundance sum-to-one and nonnegative constraints are two obvious features for hyperspectral data. In this paper, by processing these two constraints sequentially from the geometrical point of view to restrain the sum-to-one constraint thoroughly at each iteration, geometrical constrained ICA (GCICA) is proposed based on treating the abundance distribution as the independent signal. To validate the proposed algorithm, the synthetic data, and real image data are used for unmixing, respectively. Synthetic data are generated based on spectra from the ENVI (Environment for Visualizing Images) software spectral library. The real images are used with three hyperspectral datasets, AVIRIS (Airborne Visible Infrared Imaging Spectrometer) Cuprite dataset, AVIRIS Indiana Pine dataset and HYDICE (Hyperspectral Digital Imagery Collection Experiment) dataset. Results, in comparison with previously proposed algorithms, show that the proposed method has better performance for the decomposition of hyperspectral data in abundance and endmember spectral extraction, thus providing a new and effective method for spectral unmixing and signal separation without prior information.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle