J. Li, X. Li and L. Zhao, "Hyperspectral unmixing via projected mini-batch gradient descent," 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017, pp. 1133-1136, doi: 10.1109/IGARSS.2017.8127157.
摘要:
大光谱图像数据重构误差的最小化问题是无监督高光谱解混中最重要的问题之一。为了解决这一问题,已有文献提出了多种基于非负矩阵分解(NMF)的算法。一种常用的NMF优化方法是投影梯度下降(PGD)。然而,由于PGD算法每次迭代都必须计算整个数据集的全梯度,在大规模真实高光谱图像中计算成本较高。在本文中,我们试图通过引入一种基于小批量梯度下降的算法来缓解这一问题,该算法已广泛应用于大规模机器学习中。在该方法中,端元可以按像素集更新像素集,丰度可以按频带集更新频带集。从而在一定程度上降低了计算成本。通过对合成数据和真实数据的实验,对算法的性能进行了量化。
乘法更新法则(MUR):收敛速度低
投影梯度下降(PGD):收敛速度快,但是计算成本非常高,因为算法必须在每次迭代中计算整个数据集的完整梯度。
一般来说,谱解混包括端元提取和丰度估计。前者从图像中提取光谱特征集合,如顶点分量分析(VCA)[1],后者估计混合像素中包含的光谱特征对应分量,如完全约束最小二乘(F