In den letzten Jahren haben Methoden, die auf Autoencodern (AE) im Deep Learning basieren, großes Interesse am unüberwachten Entwirren von Hyperspektralbildern geweckt. Da der Lernprozess von AE als die Suche nach einem Satz von niedrigdimensionalen versteckten Schichten (Reichtum) und der Verwendung ihrer entsprechenden Gewichte (Endelemente) zur Reduzierung des Rekonstruktionsfehlers beschrieben werden kann, wurde dieses Framework weit verbreitet in Algorithmen zum Entwirren von Hyperspektralbildern angewendet. Aktuelle Frameworks auf der Basis von AE haben jedoch trotz der effektiven Bewältigung unüberwachten Entwirrens immer noch Probleme mit Rauschen und Initialisierungsbedingungen, und die Entwirrungsgenauigkeit muss ebenfalls verbessert werden. Als Antwort auf diese Probleme präsentiert dieser Artikel ein neues Framework für das unüberwachte Entwirren auf der Grundlage von adversen Autoencodern (AAE). Zunächst wurde im Generator des Netzwerks gemäß der Intensität und Nichtnegativität (ASC) und der physikalischen Bedeutung (ANC) ein endständiges Entwirrungsframework auf der Basis von AE entworfen. Im Diskriminator des Netzwerks verwendet der Artikel die initiale Reichtumskarte als echten Wert, fordert herausfordernde Gegenüberstellungen für das Training des versteckten Schichtes (Reichtum) des Generators gegenüber dem initialen Reichtum, um eine synchronisierte Optimierung von Fehler in der Rekonstruktion und Gegengefehler zur Verbesserung der Framework-Leistung zu erreichen. Im Vergleich zu traditionellen AE-Methoden kann diese Methode durch die Einführung eines Gegenprozesses und die Einführung von Reichtumsvorkenntnissen im Diskriminator die Leistung und Robustheit des Frameworks erheblich verbessern. Experimente mit simulierten und realen hyperspektralen Daten zeigen, dass dieser Algorithmus eine höhere Entwirrungsgenauigkeit im Vergleich zu bestehenden Methoden aufweist.

Fernerkundung; Hyperspektrale Entwirrung; Deep Learning; Adversäre Autoencoder; Hochauflösende hyperspektrale Bilder