Spectral Variability Augmented Two-Stream Network for Hyperspectral Sparse Unmixing

高光谱成像 计算机科学 模式识别(心理学) 人工智能 先验概率 深度学习 光谱斜率 谱线 贝叶斯概率 物理 天文
作者
Ge Zhang,Shaohui Mei,Bobo Xie,Yan Feng,Qian Du
出处
期刊:IEEE Geoscience and Remote Sensing Letters [Institute of Electrical and Electronics Engineers]
卷期号:19: 1-5 被引量:9
标识
DOI:10.1109/lgrs.2022.3214843
摘要

Deep learning-based methods have drawn great attention in hyperspectral unmixing and obtained promising performance due to their powerful learning capability. However, few existing networks explicitly deal with the spectral variability inevitably present in hyperspectral images, limiting their fitting performance. In this letter, a spectral variability augmented two-stream network (SVATN) is designed to explicitly address the problem of spectral variability in a deep convolutional network for sparse unmixing. Specifically, the proposed SVATN maps a random input to coefficients of spectral variability in addition to abundances of endmembers, in which spectral variability is accommodated by the linear mixture model as an augmented item. Moreover, a spatial-spectral correlation-based variability extraction method (SSCVE) is proposed to construct a spectral variability library, which serves as priors in the loss function to optimize the proposed SVATN. Experiments over synthetic and real data sets demonstrate the superiority of the proposed SVATN over several state-of-the-art methods. The code of our proposed method is released at: https://github.com/MeiShaohui/SVATN.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
可靠的念柏应助小龙采纳,获得20
1秒前
2秒前
不配.应助nn采纳,获得10
2秒前
温柔皮皮虾完成签到,获得积分10
3秒前
狮子毛毛完成签到 ,获得积分10
3秒前
3秒前
3秒前
大胆绿茶发布了新的文献求助10
5秒前
qiu完成签到,获得积分10
7秒前
啾啾完成签到,获得积分10
7秒前
无住生心发布了新的文献求助10
8秒前
Jasper应助Kyogoku采纳,获得10
9秒前
13秒前
CodeCraft应助深情映冬采纳,获得10
13秒前
英俊的铭应助科研通管家采纳,获得50
15秒前
上官若男应助科研通管家采纳,获得10
16秒前
慕青应助科研通管家采纳,获得10
16秒前
16秒前
Akim应助科研通管家采纳,获得10
16秒前
酷波er应助科研通管家采纳,获得10
16秒前
思源应助科研通管家采纳,获得10
16秒前
丘比特应助科研通管家采纳,获得10
16秒前
慕青应助科研通管家采纳,获得20
16秒前
17秒前
kevin发布了新的文献求助10
17秒前
HHHHH发布了新的文献求助10
18秒前
20秒前
小龙完成签到,获得积分10
20秒前
22秒前
王文睿完成签到,获得积分10
23秒前
fdxs应助成cong采纳,获得10
23秒前
余锅锅完成签到,获得积分10
25秒前
科研通AI2S应助HHHHH采纳,获得10
25秒前
25秒前
南无双发布了新的文献求助10
27秒前
27秒前
29秒前
29秒前
隐形曼青应助liuwei采纳,获得10
29秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3141296
求助须知:如何正确求助?哪些是违规求助? 2792352
关于积分的说明 7802183
捐赠科研通 2448490
什么是DOI,文献DOI怎么找? 1302608
科研通“疑难数据库(出版商)”最低求助积分说明 626650
版权声明 601237