Autoencodeur convolutionnel basé sur l'attention graphique pour le démelange non linéaire non supervisé d'images hyperspectrales

Le démelange hyperspectral a reçu une attention croissante en tant que technique pour estimer les spectres de composants et les abondances fractionnaires des couvertures terrestres. L'encodage de données hyperspectrales de haute dimension dans un espace latent de faible dimension pour générer des abondances raisonnables, l'autoencodeur (AE) a montré son grand potentiel et des avantages attrayants dans le démelange spectral. Les AEs décodent les abondances en spectres, ce qui peut refléter efficacement le processus général de mélange spectral. Cependant, la plupart des méthodes de démelange basées sur AE exploitent souvent mal l'information spatiale des images hyperspectrales, entravant l'amélioration de la précision du démelange. Cet article propose une architecture d'autoencodeur convolutionnel basé sur l'attention graphique pour le démelange hyperspectral. En incorporant la convolution d'attention graphique dans l'AE, la méthode proposée fonctionne mieux pour tirer parti des informations spatiales à longue et à courte portée des images hyperspectrales. Des abondances précises avec une cohérence spatiale globale et locale peuvent être efficacement apprises par le réseau. De plus, le décodeur est amélioré en fonction du modèle de mélange non linéaire post-polynômial (PPNM) pour donner au réseau une meilleure interprétabilité physique afin de traiter la question du démelange non linéaire aveugle. Les résultats expérimentaux indiquent que la méthode proposée a de bonnes performances de démelange. Elle peut réduire l'erreur quadratique moyenne des abondances estimées pour des données synthétiques de plus de 10 % par rapport à d'autres méthodes. Dans des expériences avec des données hyperspectrales réelles, la différence entre la précision de ses résultats de démelange et la meilleure est inférieure à 5 %.