DSFC-AE: A New Hyperspectral Unmixing Method Based on Deep Shared Fully Connected Autoencoder
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
The pervasive presence of mixed pixels in hyperspectral remote sensing imagery poses a substantial constraint on the quantitative progress of remote sensing technology. Hyperspectral unmixing (HU) techniques serve as effective means to address this issue. In recent years, deep learning methods, particularly autoencoders (AEs), have been progressively employed in blind HU due to their compatibility with linear mixture models. However, most of the current advanced AE unmixing networks are based on a single-stage framework that conducts the unmixing task solely from a spectral perspective. This makes the rich spatial information ignored and makes it difficult for the network to obtain discriminative compression features while being susceptible to spectral variability and noise outliers. To address these issues, we propose a new deep shared fully connected autoencoder (DSFC-AE) unmixing network. The proposed DSFC-AE network comprises dual branches that utilize distinct data inputs for feature extraction: the original spectral data and coarse-scale spectral data obtained through superpixel segmentation. Furthermore, shared weight strategies are applied to the corresponding dimension reduction layers of the encoder, facilitating effective feature fusion. In addition, we integrate two constraint terms into the loss function, harnessing the sparsity of abundances and the geometric features of endmembers. We evaluate the DSFC-AE method against three traditional methods and four state-of-the-art deep learning algorithms using multiple real datasets. The results unequivocally demonstrate that the proposed network achieves significant improvements in both accuracy and stability.
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 | 0,001 |
| 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