陌若安生的博客

论文链接：https://ieeexplore.ieee.org/document/9724217GitHub代码链接：https://github.com/hanzhu97702/IEEE_TGRS_MUNet 动机为了克服高光谱解混中不能区分复杂场景中的目标，特别是对于具有相似材料的不同端元。我们提出了一种新的多模态高光谱解混网络MUNET，并利用LiDAR生成的注意图来辅助网络关注关于场景的空间信息。此外，为了更好地模拟激光雷达的空间信息，采用 Attribute Profile (AP) 来

文章目录WU-NET: A WEAKLY-SUPERVISED UNMIXING NETWORK FOR REMOTELY SENSED HYPERSPECTRAL IMAGERYHyperspectral Unmixing Using a Neural Network AutoencoderSpectral-Spatial Hyperspectral Unmixing Using Multitask LearningNEURAL NETWORK HYPERSPECTRAL UNMIXING WITH SP

JMnet: Joint Metric Neural Network for Hyperspectral UnmixingAbstract现有的基于学习的高光谱解混方法一般采用自编码器的形式，以几何距离，如光谱角距离(SAD)作为损失函数。这些方法①忽略了观测值与重构值之间的分布相似性，有助于提高解混性能。同时，直接比较观测值和重构值的差异，②忽略了它们之间的特征差异，从而训练了自编码。基于上述考虑，我们提出了一种联合度量神经网络用于高光谱分解，引入①Wasserstein距离和②特征匹配作为正则化项，