Ces dernières années, les méthodes basées sur les auto-encodeurs (AE) dans l'apprentissage profond ont suscité un large intérêt dans le démélage non supervisé des images hyperspectrales. Comme le processus d'apprentissage AE peut être décrit comme la recherche d'un ensemble de couches cachées de faible dimension (richesse) et l'utilisation de leurs poids correspondants (éléments terminaux) pour réduire l'erreur de reconstruction, ce cadre a été largement appliqué dans les algorithmes de démélage d'images hyperspectrales. Cependant, les cadres actuels basés sur AE, bien qu'ils puissent traiter efficacement les scénarios de démêlage non supervisé, rencontrent encore des problèmes de bruit et de conditions d'initialisation, et la précision de démélage doit également être améliorée. Pour faire face à ces problèmes, cet article présente un nouveau cadre de démélage non supervisé basé sur les auto-encodeurs adverses (AAE). Tout d'abord, dans le générateur du réseau en fonction de l'intensité et de la non-négativité (ASC) et de la signification physique (ANC), un cadre de démêlage terminant basé sur AE a été conçu. Ensuite, dans le discriminateur du réseau, l'article utilise la carte de richesse initiale comme valeur réelle, effectue des défis d'entraînement adverses de la couche cachée (richesse) du générateur par rapport à la richesse initiale pour réaliser une optimisation synchrone des erreurs de reconstruction et adverses pour améliorer les performances du cadre. Par rapport aux méthodes AE traditionnelles, cette méthode, en introduisant un processus adversaire, en introduisant les connaissances a priori de la richesse dans le discriminateur, peut grandement améliorer les performances et la robustesse du cadre. Les expériences sur des données hyperspectrales simulées et réelles montrent que cet algorithme présente une précision de démêlage plus élevée par rapport aux méthodes existantes.

Télédétection; Démêlage hyperspectral; Apprentissage profond; Auto-encodeurs adverses; Images hyperspectrales de haute résolution