Un nouveau réseau de fusion à double fonction pour un démelange hyperspectral amélioré

Le démelange hyperspectral est une technique cruciale dans le traitement des données de télédétection qui vise à estimer l'information des composants à partir de pixels mélangés dans des images hyperspectrales. La plupart des modèles de démelange hyperspectral basés sur l'apprentissage profond emploient des réseaux d'autoencodeurs (AE) pour reconstruire des images hyperspectrales et estimer des cartes d'abondance. Ici, le poids entre les couches reconstruites et softmax est utilisé pour extraire/estimer les signatures des endmembers. Cependant, les AE dépendent fortement des poids initiaux, ce qui introduit une randomité inhérente, compromettant potentiellement la précision du démelange. Pour résoudre ce problème, dans cet article, nous présentons un nouveau réseau de fusion à double fonction (DFFN) pour un démelange hyperspectral amélioré. Notre DFFN se compose principalement de quatre modules : 1) un module de fusion de caractéristiques (FFM) ; 2) un module d'estimation d'abondance (AEM) ; 3) un module d'estimation d'endmember (EEM) ; et 4) un module de reconstruction (RM). Tout d'abord, le FFM calcule les similarités spectrales et spatiales puis améliore l'image hyperspectrale par des multiplications matricielles avec des matrices de similarité. Ensuite, l'AEM prend l'image hyperspectrale améliorée comme entrée et utilise des couches convolutionnelles pour estimer les abondances et reconstruire l'image. Ensuite, l'image reconstruite est introduite dans l'EEM pour estimer automatiquement les endmembers. Le RM effectue la reconstruction finale par multiplication matricielle des endmembers estimés et des abondances. Des expériences sur des ensembles de données hyperspectrales synthétiques et réelles, ainsi qu'une comparaison avec des techniques à la pointe de la technologie, montrent la supériorité de notre DFFN nouvellement proposé. Le code complet est publié sur https://github.com/xuanwentao pour évaluation publique.