[论文解读] Improved Deep Spectral Convolution Network For Hyperspectral Unmixing With Multinomial Mixture Kernel and Endmember Uncertainty

Savaş Özkan, Gözde Bozdağı Akar|arXiv (Cornell University)|Aug 3, 2018

Remote-Sensing Image Classification参考文献 60被引用 11

一句话总结

本文提出了一种改进的深度光谱卷积网络（DSCN++），采用多项式混合核与可学习不确定性建模，用于高光谱解混。通过结合基于Wasserstein GAN的优化方法，并利用基于分布的端元不确定性来建模光谱可变性，该方法在真实数据集上实现了最先进性能，显著优于基线方法在丰度估计精度方面的表现。

ABSTRACT

In this study, we propose a novel framework for hyperspectral unmixing by using an improved deep spectral convolution network (DSCN++) combined with endmember uncertainty. DSCN++ is used to compute high-level representations which are further modeled with Multinomial Mixture Model to estimate abundance maps. In the reconstruction step, a new trainable uncertainty term based on a nonlinear neural network model is introduced to provide robustness to endmember uncertainty. For the optimization of the coefficients of the multinomial model and the uncertainty term, Wasserstein Generative Adversarial Network (WGAN) is exploited to improve stability and to capture uncertainty. Experiments are performed on both real and synthetic datasets. The results validate that the proposed method obtains state-of-the-art hyperspectral unmixing performance particularly on the real datasets compared to the baseline techniques.

研究动机与目标

• 解决高光谱解混中的光谱可变性挑战，其中端元光谱并非固定不变，而是受大气和光照条件影响而变化。
• 改进深度光谱卷积网络（DSCN），以更好地捕捉高层特征表示，同时对端元响应中的不确定性进行建模。
• 设计一个基于非线性神经网络的可训练不确定性模块，以增强对光谱可变性的鲁棒性。
• 引入多项式混合模型以表示丰度分布，实现对物质组分更灵活、更真实的建模。
• 利用Wasserstein GAN对整个框架进行优化，以提升训练稳定性与泛化能力，尤其在噪声或数据变化较大的情况下。

提出的方法

• 通过架构改进增强DSCN结构，以提升收敛速度与表征质量，从而得到DSCN++。
• 引入多项式混合核以建模每个像素的丰度分布，实现在光谱可变性下的鲁棒估计。
• 基于非线性神经网络设计一个可学习的不确定性模块，用于估计光谱混合模型中的可变性项γk。
• 将解混问题表述为联合优化多项式混合系数与不确定性参数，采用Wasserstein GAN（WGAN）目标函数。
• 使用反向传播与随机梯度下降端到端训练完整流程，实现在大规模高光谱数据集上的可扩展学习。
• 引入带有加性高斯噪声η的重建损失，以建模测量不确定性，提升对真实世界数据缺陷的鲁棒性。

实验结果

研究问题

• RQ1 通过更有效地建模光谱可变性，改进的深度光谱卷积网络（DSCN++）是否能比标准DSCN显著提升高光谱解混性能？
• RQ2 多项式混合核的引入在端元不确定性条件下，如何增强丰度估计的鲁棒性？
• RQ3 基于神经网络的可学习不确定性模块与固定或启发式不确定性模型相比，是否能显著提升解混精度？
• RQ4 使用Wasserstein GAN对多项式与不确定性参数进行优化，是否相比传统GAN或基于KL散度的方法，能带来更稳定、更准确的训练？
• RQ5 所提出的框架是否能在光谱可变性显著的真实世界高光谱数据集上实现最先进性能？

主要发现

• 所提出的DSCN++结合多项式混合核与不确定性建模，在Jasper数据集上实现了最低的RMSE（6.31 × 10⁻²），显著优于所有对比基线，甚至大幅超越最佳基线（EndNet）。
• 在Urban数据集上，该方法在DSCN与EU组件下实现了6.87 × 10⁻²的RMSE，显著优于基线DSCN++（12.03 × 10⁻²）及其他最先进方法。
• WGAN优化带来了更稳定的训练过程与更好的收敛性，表现为在多次运行与不同配置下RMSE值更低且波动更小。
• 在Jasper数据集上，若不包含不确定性模块（w/o EU），RMSE上升至14.78 × 10⁻²，证实其在性能提升中的关键作用。
• 该方法在真实数据集（Jasper与Urban）上实现了最先进性能，这些数据集中光谱可变性最为显著，验证了其对现实世界数据挑战的鲁棒性。
• 由于采用批量学习，该模型展现出良好的可扩展性与低内存复杂度，适用于大规模高光谱数据处理。