Aprendizaje no supervisado y auto-supervisado de tensor train para detección de cambios en imágenes hiperespectrales multitemporales
Autores: Sohail, Muhammad; Wu, Haonan; Chen, Zhao; Liu, Guohua
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Aprendizaje no supervisado y auto-supervisado de tensor train para detección de cambios en imágenes hiperespectrales multitemporales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Teledetección
Detección de cambios
Imágenes hiperespectrales multitemporales
Descomposición de tren tensor
Aprendizaje no supervisado
Aprendizaje auto-supervisado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
La detección de cambios de teledetección (CD) utilizando imágenes hiperespectrales multitemporales (HSIs) proporciona información detallada sobre cambios espectrales-espaciales y es útil en una variedad de aplicaciones como monitoreo ambiental, planificación urbana y detección de desastres. Sin embargo, la alta dimensionalidad y baja resolución espacial de las HSIs no solo conducen a una computación costosa, sino que también generan homogeneidad interclase y heterogeneidad intraclase. Mientras tanto, las muestras etiquetadas son difíciles de obtener en la realidad ya que la investigación de campo es costosa, lo que limita la aplicación de métodos de CD supervisados. En este documento, se proponen dos algoritmos para CD basados en la descomposición de tensor train (TT) y se llaman tensor train no supervisado (UTT) y tensor train auto-supervisado (STT). TT utiliza una estrategia de matricización bien equilibrada para capturar correlaciones globales de tensores y, por lo tanto, puede extraer de manera efectiva características discriminativas de bajo rango, por lo que se puede superar la maldición de la dimensionalidad y la variabilidad espectral de las HSIs. Además, los dos métodos propuestos se basan en aprendizaje no supervisado y auto-supervisado, donde no se necesitan anotaciones manuales. Mientras tanto, se utiliza el esquema de ket-augmentación (KA) para transformar el tensor de bajo orden en un tensor de alto orden manteniendo el número total de entradas igual. Por lo tanto, se pueden extraer características de alto orden con texturas más ricas sin aumentar la complejidad computacional. Los resultados experimentales en cuatro conjuntos de datos de referencia muestran que los métodos propuestos superaron a su contraparte tensorial, la descomposición de tucker (TD), la descomposición de valores singulares de orden superior (HOSVD) y algunos otros enfoques de vanguardia. Para el conjunto de datos de Yancheng, OA y KAPPA de UTT alcanzaron hasta un 98.11% y 0.9536, respectivamente, mientras que OA y KAPPA de STT fueron de 98.20% y 0.9561, respectivamente.
Descripción
La detección de cambios de teledetección (CD) utilizando imágenes hiperespectrales multitemporales (HSIs) proporciona información detallada sobre cambios espectrales-espaciales y es útil en una variedad de aplicaciones como monitoreo ambiental, planificación urbana y detección de desastres. Sin embargo, la alta dimensionalidad y baja resolución espacial de las HSIs no solo conducen a una computación costosa, sino que también generan homogeneidad interclase y heterogeneidad intraclase. Mientras tanto, las muestras etiquetadas son difíciles de obtener en la realidad ya que la investigación de campo es costosa, lo que limita la aplicación de métodos de CD supervisados. En este documento, se proponen dos algoritmos para CD basados en la descomposición de tensor train (TT) y se llaman tensor train no supervisado (UTT) y tensor train auto-supervisado (STT). TT utiliza una estrategia de matricización bien equilibrada para capturar correlaciones globales de tensores y, por lo tanto, puede extraer de manera efectiva características discriminativas de bajo rango, por lo que se puede superar la maldición de la dimensionalidad y la variabilidad espectral de las HSIs. Además, los dos métodos propuestos se basan en aprendizaje no supervisado y auto-supervisado, donde no se necesitan anotaciones manuales. Mientras tanto, se utiliza el esquema de ket-augmentación (KA) para transformar el tensor de bajo orden en un tensor de alto orden manteniendo el número total de entradas igual. Por lo tanto, se pueden extraer características de alto orden con texturas más ricas sin aumentar la complejidad computacional. Los resultados experimentales en cuatro conjuntos de datos de referencia muestran que los métodos propuestos superaron a su contraparte tensorial, la descomposición de tucker (TD), la descomposición de valores singulares de orden superior (HOSVD) y algunos otros enfoques de vanguardia. Para el conjunto de datos de Yancheng, OA y KAPPA de UTT alcanzaron hasta un 98.11% y 0.9536, respectivamente, mientras que OA y KAPPA de STT fueron de 98.20% y 0.9561, respectivamente.