L2,p-정규 기반 강건 임베딩 회귀를 통한 하이퍼스펙트럼 이미지 분류를 위한 특징 차원 축소

차원의 저주와 노이즈 오염은 하이퍼스펙트럼 이미지(HSI) 분류에서 해결해야 할 두 가지 어려운 문제입니다. 그러나 현재의 특징 차원 축소 방법, 즉 특징 추출 및 특징 선택 방법은 위의 두 문제를 동시에 잘 해결할 수 없습니다. 이 문제를 해결하기 위해 본 논문에서는 L2,p-정규 기반 강건 임베딩 회귀(L2,p-RER)라는 새로운 방법을 제안합니다. 이 방법은 HSI의 강건한 특징 차원 축소를 위해 노이즈의 영향을 효과적으로 억제하고 특징 차원을 줄일 수 있습니다. 구체적으로 L2,p-RER는 먼저 강건 주성분 분석(RPCA)와 결합하여 저차원 공간에서 노이즈를 제거하는 투영 학습을 통합합니다. 둘째, 추출된 저차원 특징의 구별력을 향상시키기 위해 임베딩 회귀 정규화를 제안합니다. 셋째, 학습된 투영 행렬의 해석 가능성을 개선하기 위해 L2,1-정규 제약조건을 부과하여, 모든 밴드에서 물리적 의미를 유지한 채 주요 특징을 공동 추출할 수 있도록 합니다. 마지막으로 가장 중요한 점은 희소성과 볼록성을 적절히 조절할 수 있는 L2,p-정규를 사용하여 임베딩 저차원 공간에서 노이즈 및 회귀 잔차를 모델링하여 제안된 방법의 강건성 및 일반화를 더욱 향상시킵니다. 또한 세 가지 기준 HSI 데이터 세트에서 수행된 광범위한 실험이 제안된 방법의 효과를 검증했습니다.