1. Resumen
Es difícil recopilar una gran cantidad de datos hiperespectrales, por lo que el autor propone una estrategia auto supervisada que puede construir datos de entrenamiento a partir de una imagen degradada para entrenar una red de eliminación de ruido sin datos limpios.
Además, el número de bandas espectrales de imágenes hiperespectrales es generalmente grande y la carga de cálculo es grande, por lo tanto, el autor introduce una convolución separable profunda para implementar la eliminación de ruido, que no solo puede capturar la estructura anterior a la imagen hiperespectral, sino que también reduce la complejidad del modelo.
2. Introducción al método
2.1 Rendimiento de convolución separable profunda
Ahora, consideramos una tarea de relleno de imagen. Supongamos que \ (A \ in \ {0, 1 \} ^ {N * N} \) , que representa una matriz de muestreo aleatorio conocida, solo dados los píxeles relacionados con \ (A \) , queremos recuperar el entero Imágenes \ (x \) . Solo estos puntos cubiertos por \ (A \) se utilizan para calcular el error cuadrático medio, y luego entrenamos una red.
Una de las estructuras de red es una convolución de ocho capas, y el tamaño del parámetro de cada capa es \ (3 × 3 × M × L \) , \ (M, L \) representa el número de canales de mapa de características de entrada y salida, respectivamente.
Otra estructura de ocho red es la profundidad separable convolución, que comprende un parámetro de tamaño \ (3 × 3 × 1 × M \) de la profundidad de convolución y el tamaño de un parámetro \ (1 × 1 × M × L \) de Punto de convolución.
Los resultados experimentales se muestran en la figura anterior. Se puede ver que aunque el número de parámetros de la convolución separable profunda es menor, su rendimiento es más superior.
2.2. Eliminación de ruido gaussiana auto supervisada
Considere el siguiente modelo de eliminación de ruido,
Suponemos que una red que puede recuperar una señal limpia de la observación de ruido \ (y \) \ (x \) también es capaz de recuperarse de \ (y + n \) \ (y \) .
Por lo tanto, agregamos ruido a la imagen de ruido de entrada como entrada, y utilizamos la imagen de ruido original como objetivo para entrenar a la red para lograr el propósito de la auto-supervisión.
La estructura de la red se muestra en la figura siguiente: la mayoría de las convoluciones utilizan operaciones de convolución separables profundas.
3. Resultados experimentales
Para más emocionante, preste atención a "seniusen".
