UnDIP: Hyperspectral Unmixing Using Deep Image Prior

端元 高光谱成像 计算机科学 人工智能 深度学习 卷积神经网络 Python(编程语言) 子空间拓扑 数据集 丰度估计 单纯形 模式识别(心理学) 数学 丰度(生态学) 生物 操作系统 渔业 几何学
作者
Behnood Rasti,Bikram Koirala,Paul Scheunders,Pedram Ghamisi
出处
期刊:IEEE Transactions on Geoscience and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:60: 1-15 被引量:58
标识
DOI:10.1109/tgrs.2021.3067802
摘要

In this article, we introduce a deep learning-based technique for the linear hyperspectral unmixing problem. The proposed method contains two main steps. First, the endmembers are extracted using a geometric endmember extraction method, i.e., a simplex volume maximization in the subspace of the data set. Then, the abundances are estimated using a deep image prior. The main motivation of this work is to boost the abundance estimation and make the unmixing problem robust to noise. The proposed deep image prior uses a convolutional neural network to estimate the fractional abundances, relying on the extracted endmembers and the observed hyperspectral data set. The proposed method is evaluated on simulated and three real remote sensing data for a range of SNR values (i.e., from 20 to 50 dB). The results show considerable improvements compared to state-of-the-art methods. The proposed method was implemented in Python (3.8) using PyTorch as the platform for the deep network and is available online: https://github.com/BehnoodRasti/UnDIP .
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
1秒前
1秒前
SciGPT应助曾经二娘采纳,获得10
2秒前
XuZ完成签到,获得积分20
2秒前
3秒前
鲨鱼发布了新的文献求助10
3秒前
4秒前
KIKI12345完成签到,获得积分10
4秒前
燕燕发布了新的文献求助10
5秒前
5秒前
5秒前
顾矜应助啦啦啦采纳,获得10
6秒前
科研小白发布了新的文献求助10
6秒前
聪明的哈密瓜完成签到,获得积分10
6秒前
7秒前
努力加油煤老八完成签到 ,获得积分10
7秒前
科研通AI2S应助叶白山采纳,获得10
7秒前
yull完成签到,获得积分10
8秒前
善学以致用应助Leslie采纳,获得10
8秒前
8秒前
8秒前
英姑应助十四吉采纳,获得10
8秒前
jiangcai发布了新的文献求助10
9秒前
田小姐发布了新的文献求助10
10秒前
11秒前
le完成签到,获得积分10
11秒前
领导范儿应助科研通管家采纳,获得10
11秒前
FashionBoy应助科研通管家采纳,获得10
11秒前
香蕉觅云应助科研通管家采纳,获得10
11秒前
顾矜应助科研通管家采纳,获得10
11秒前
斯文败类应助科研通管家采纳,获得10
11秒前
我是老大应助科研通管家采纳,获得10
11秒前
传奇3应助科研通管家采纳,获得10
11秒前
英俊的铭应助科研通管家采纳,获得10
11秒前
11秒前
wang完成签到 ,获得积分10
11秒前
11秒前
1234567完成签到,获得积分10
12秒前
SciGPT应助飘来一朵云采纳,获得10
12秒前
freshman3005发布了新的文献求助30
13秒前
高分求助中
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
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
Classics in Total Synthesis IV 400
宽禁带半导体紫外光电探测器 388
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 3143963
求助须知:如何正确求助?哪些是违规求助? 2795613
关于积分的说明 7815684
捐赠科研通 2451611
什么是DOI,文献DOI怎么找? 1304572
科研通“疑难数据库(出版商)”最低求助积分说明 627251
版权声明 601419