1 인용문
하이 스펙트럼 이미지는 일련의 2차원 원격 탐지 이미지로 구성된 데이터 입방체로, 그 중 각 2차원 이미지는 이 지역 내의 서로 다른 지물이 서로 다른 파장의 전자파에 대한 반사 또는 복사 강도를 반영할 수 있다.하이 스펙트럼 데이터의 각 픽셀에 대응하는 스펙트럼 곡선은 서로 다른 주파수 대역에서 해당 픽셀의 스펙트럼 정보를 반영합니다.따라서 하이 스펙트럼 이미지는'도감 합일'의 특징이 있다. 즉, 이 데이터는 이미지 속 지물의 기하학적 공간 관계 정보를 묘사할 수 있을 뿐만 아니라 지물 물질의 속성에 대응하는 스펙트럼 정보도 관측할 수 있다.이러한 특성으로 인해 하이 스펙트럼 원격 감지 영상은 국토 자원 조사, 지질 재해 평가, 도시 계획 및 재해 구조 등 다양한 분야에서 널리 응용되었다 (Qu等，2024）。그러나 하이 스펙트럼 이미지에 보편적으로 존재하는 혼합 픽셀 문제는 이 기술을 바탕으로 하는 하류 임무의 정확성과 유효성에 현저한 영향을 미쳤다. 혼합 픽셀은 한 픽셀 안에 여러 가지 지물을 포함하는 반사 스펙트럼을 가리키기 때문에 단일 지물의 정보를 정확하게 추출하기 어렵다. 각 하이 스펙트럼 이미지는 여러 가지 단원의 스펙트럼 특징으로 조합된 것이다. 단원은 하이 스펙트럼 이미지에서 순수한 지물 반사 스펙트럼을 가리킨다.이러한 반사 스펙트럼은 지면의 서로 다른 재료나 물질의 성분을 대표한다. 이러한 단원을 식별하고 추출함으로써 높은 스펙트럼 이미지를 더욱 잘 이해하고 분석할 수 있다. 높은 스펙트럼 이미지의 혼합 픽셀은 높은 스펙트럼 이미지를 바탕으로 하는 하류 임무가 현저한 도전에 직면하게 한다. 이런 혼합 픽셀은 하류 임무의 복잡성을 증가시킬 뿐만 아니라 이미지의 정확한 추출과 이미지 분류에 불리한 영향을 미쳐 높은 스펙트럼 이미지가 실제 응용에서 효과적인 조작에 영향을 미친다.Zhang等，2020）。높은 스펙트럼 이미지의 혼합 해제 과정에서 풍도는 일종의 양적 기준으로서 특정한 픽셀에서 서로 다른 픽셀의 존재 상황을 상세하게 묘사하고 특정한 픽셀이 혼합 픽셀에서 차지하는 상대적인 비율을 반영한다.풍도 정보의 정확성은 재료의 식별과 정량 분석에 매우 중요하기 때문에 풍도는 혼합 알고리즘의 중요한 매개 변수로 간주된다.
현재 전통적인 혼합 픽셀 분해 방법은 주로 볼록 기하학적 분석 방법, 통계 분석 방법, 희소 회귀 분석 방법 및 스펙트럼-공간 결합 분석 방법 총 4 가지로 나눌 수 있습니다.이러한 분류는 전통적인 혼합 해제 기술의 핵심 아이디어를 요약 할 뿐만 아니라 최근 몇 년 동안 알고리즘 혁신에서 이 분야의 진전을 반영합니다.하이 스펙트럼 이미지 혼합 연구가 심화됨에 따라 상술한 방법은 선형 혼합 모델을 기반으로 한 전통적인 혼합 해제 기술을 포함할 뿐만 아니라 비선형 혼합과 복잡한 지물 조합을 처리할 수 있는 고급 분석 수단도 포함한다(Tong等，2016）。
하이 스펙트럼 이미지 혼합 해제는 전통적인 혼합 해제 방법과 딥 러닝 기반 혼합 해제 방법으로 나눌 수 있습니다.전통적인 혼합 해제 방법에서 선형 혼합 해제 모델 LMM (Linear Mixture Model) 은 기초적인 프레임워크로서 픽셀 순도 지수 PPI (Pixel Purity Index), N 차원 조회 알고리즘 N-Finders (N-dimensional Endmember Finding Algorithm) 및 정점 분석 알고리즘 (Verithm) 알고리즘) 과 같은 고전적인 순수 픽셀 혼합 알고리즘을 포함한다.이러한 방법은 유효한 스펙트럼 혼합을 위해 높은 스펙트럼 이미지에 존재하는 순수 픽셀에 의존합니다.또한 최소 부피 단순형 분석 MVSA (Minimum Volume Simplex Analysis) 와 희소 무감독 혼합 해제 방법인 SunSAL (Sparse Unsupervised Unmixing Method) 은 순수 픽셀이 부족한 상황에서도 혼합을 해소할 수 있다.그러나 전통적인 선형 혼합 해제 방법은 장면의 지물 특징만을 고려한 스펙트럼 정보가 한 번의 반사를 거쳤고 얻은 스펙트럼 정보를 장면 중단원의 선형 조합으로 간주했다.비선형 혼합과 복잡한 지물 조합에 직면할 때 전통적인 선형 혼합 해제 방법의 한계는 점차 나타나고 있다.전통적인 선형 고 스펙트럼 이미지 혼합 해제 방법의 한계는 주로 다음과 같은 몇 가지 측면에서 나타난다. (1) 특징 추출을 유연하게 할 수 없고 복잡한 스펙트럼 특징에 대응하기 어렵다.이에 따라 딥러닝 기반 하이 스펙트럼 이미지 혼합 해제 방법을 도입하는 것이 필요한 추세다.(2) 딥러닝에 기초한 높은 스펙트럼 이미지 혼합 해제 방법은 풍부한 스펙트럼 특징을 자주적으로 추출하고 학습할 수 있으며, 동시에 공간 정보와 결합하여 혼합 해제의 정밀도와 노봉성을 현저하게 향상시킬 수 있다.(3) 딥 러닝 기반 하이 스펙트럼 혼합 네트워크에서Huo等（2018）심층 피쳐 추출 메커니즘을 통해 높은 스펙트럼 이미지의 복잡한 피쳐를 효과적으로 캡처하고 디코더를 사용하여 혼합 스펙트럼을 재구성하여 효율적인 혼합 해제를 수행하는 딥 오토엔코더 (Deep Autoencoder) 를 제안합니다.Biswas等（2023）생성 대항 메커니즘을 도입하여 이미지 혼합을 진행하고, 생성기와 판별기 사이의 대항을 이용하여 혼합의 정밀도를 향상시키는 새로운 생성 대항 네트워크 (GAN) 를 설계했다.Chen等 （2020）변분자 인코더 (VAE) 를 만들어 높은 스펙트럼 이미지 혼합을 하고, 변분자 인코더의 생성 모델 특성을 이용하여 혼합 성분에 대한 모델링 능력을 강화하여 혼합 정밀도를 높인다.Wang等（2017）제시된 1차원 권적 신경망 CNN (Convolutional Neural Network) 을 기반으로 한 감독 해혼 아키텍처는 종단간 프레임워크를 제공한다.이러한 방법은 혼합 스펙트럼에서 풍도 벡터에 이르는 매핑 관계를 자동으로 학습할 수 있으며, 혼합 프로세스를 간단히 이해할 수 있을 뿐만 아니라 처리 속도와 혼합 정밀도를 향상시킬 수 있으며, 특히 비선형 혼합과 복잡한 지물 조합을 처리하는 데 현저한 우세를 보인다.상술한 연구에 따르면 딥러닝 네트워크는 높은 스펙트럼 이미지 혼합 해제 임무에 대해 더욱 효과적이고 유연한 혼합 해제 방안을 제공하여 혼합 이해 분야의 발전을 추진하였다.
요약하면, 비록 전통적인 선형 하이 스펙트럼 혼합 방법 (예: PPI, VCA, MVSMA 등) 은 이상적인 조건에서 엔드 메타 추출과 풍성한 반전을 효과적으로 실현할 수 있으며, 최근 몇 년 동안 딥 러닝 기반 혼합 해제 모델 (예: 딥 인코더, GAN, VAE, 1D CNN 등) 은 비선형 혼합과 복잡한 지물 장면에 대한 모델링 능력을 현저하게 향상시키고 특징의 혼합, 정밀도 및 다중 추출 척도 부족, 복잡성 척도"의 척도"의 복잡성 저하 척도,"다중성 측정, 복잡성 및 일반 잡음 측정 능력의 복잡성 결핍도를 향상시켰다." 장소.이를 위해 본 연구는 전통적인 선형 혼합 해제 방법의 한계와 기존 딥 러닝 혼합 해제 방법의 진전과 부족을 바탕으로 자체 주의력 소음 제거 메커니즘과 상태 공간 모델링을 융합한 다단계 만바 주의력 혼합 프레임워크 PSAMN (Phase-wise Mamba Attention Unmixing Framework) 을 제시하고 samson, jasper 및 urban 데이터 세트에서 실험 검증을 진행하여 새로운 선형 혼합 학습 스펙트럼의 향상과 정밀도 향상 모델을 제공하는 새로운 선형 혼합 학습 패러다임을 제시한다.
2 모델 소개
2.1 선형 혼합 해제 모델
현재의 하이 스펙트럼 이미지에서는 단일 픽셀의 공간 범위가 수십 미터, 심지어 수백 미터에 달할 수 있기 때문입니다.따라서 각 픽셀에는 해당 영역에 있는 다양한 잠재 재료 또는 물체에 대한 정보가 포함될 수 있습니다.이 특성으로 인해 높은 스펙트럼 이미지의 혼합 해제는 현저한 도전에 직면하게 되었다.LMM은 유효한 하이 스펙트럼 이미지 혼합 해제 방법으로 간주됩니다.하이 스펙트럼 이미지 혼합의 목적은 혼합된 스펙트럼 신호에서 각 순수한 물질의 스펙트럼 특징을 추출하고 이미지에서 차지하는 비율을 얻는 것이다.이 과정에서 단원은 혼합 신호를 구성하는 기초로서 스펙트럼 공간에서 순수한 재료의 스펙트럼 특징을 가리킨다.선형 혼합 해제 방법은 각 혼합 픽셀의 스펙트럼을 그 단자 스펙트럼의 선형 조합으로 표시하여 높은 스펙트럼 이미지의 각 재료에 대한 효과적인 식별과 정량 분석을 실현한다.선형 혼합 해제 모델은 높은 스펙트럼 이미지에서 각 단원의 구성을 드러낼 수 있을 뿐만 아니라 각 단원의 상대적 비례, 즉 서로 다른 재료가 이 상원에서 차지하는 비례를 제공할 수 있다. 예를 들어Fig. 1와 같습니다.선형 혼합 해제 모델은
식중,，있음개의 채널,픽셀의 하이 스펙트럼 이미지높이를 나타냅니다.폭을 나타냅니다.단자 행렬, 풍도 행렬을 나타냅니다.의미는 제.단자 는 제 1 에 있다개 상원의 풍도 비례,노이즈 행렬입니다.일반적으로 노이즈 매트릭스, 즉. 이와 동시에 풍도 행렬또한 두 가지 큰 제약조건을 충족해야 합니다. 첫 번째는 풍도 비음속 제약 ANC(Abundance Non-negativity Constraint)와 두 번째는 풍도 및 제약 조건 ASC(Abundance Sum-to-one Constraint)입니다.
풍도 비음수 구속(ANC):
풍도 및 제약조건(ASC):
혼합 해소 과정에서 ANC는 풍도치 비마이너스를 보장했고, ASC는 메타 내 모든 성분이 차지하는 비율의 합리성을 보장했다(Su 등, 2024).
2.2 딥러닝 모듈에 대한 소개
2.2.1 이미지 소음 제거를 위한 딥러닝 신경망
하이 스펙트럼 이미지의 노이즈 퇴화 모델은 다음과 같은 형태로 표현될 수 있습니다.
식중,∈，낮은 소음 수준에 속하는이미지,∈，노이즈가 있는 HSI(Hyperspectral Image) 이미지입니다.와이미지의 길이와 폭을 나타냅니다.채널 수를 나타냅니다.
실제로 하이 스펙트럼 이미지 HSI에는 종종 다양한 노이즈가 포함되어 있습니다.예를 들어 센서 소음, 조명 변화로 인한 소음, 환경 간섭 소음 등이다.이러한 노이즈의 존재는 이미지 혼합 해제의 품질에 영향을 미치기 때문에 HSI 이미지의 소음 제거의 목적은 더욱 깨끗한 이미지를 얻기 위한 것이다.전변 분해 혼합 방법 TV (Total Variation Unmixing Method) 는 고전적인 공간 도메인 소음 제거 방법입니다.Zhang等（2020）HSI의 매끄러운 특성을 효과적으로 부각하는 TV 기반 HSI 노이즈 제거 알고리즘을 제시했다.그러나 고전적인 HSI 노이즈 제거 방법은 종종 주파수 대역 간의 유사성을 무시하여 하이 스펙트럼 이미지의 모든 정보를 충분히 반영하지 못합니다.이 문제를 해결하기 위해Wang等（2023）전변분 정규화에 기반한 저질 장량 분해 소음 제거 알고리즘을 제시했다LRTDTV（Total Variation Regularization-based Low-Rank Tensor Decomposition Denoising Algorithm），이 방법은 주파수 대역 간의 상관성을 어느 정도 고려했지만 전변분 모델은 여전히 지나치게 매끄럽고 위영이 생기는 등 단점이 있다.HSI의 저품질 특성을 고려하여Zhang等（2022）주파수 대역 간의 유사성을 효과적으로 활용하지만 픽셀 간의 공간 정보를 처리할 때 누락되는 저품질 매트릭스 복구 LRMR(Low-Rank Matrix Recovery) 기반 HSI 노이즈 제거 알고리즘을 제시했다(Song等，2014）。Cai等（2022）HSI의 저품질 특성을 더 잘 활용하기 위해 장량 분해 기반 방법인 LRTDGTV(Low-Rank Tensor Decomposition with Generalized Total Variation)를 추가로 제안했다.또한 HSI의 비국부적 유사성을 이용하기 위해 연구자들은 HSI를 중첩된 블록으로 분할하고 비슷한 블록을 분류하여 처리하는 일련의 비국부적 소음 제거 알고리즘을 제시했다.이를 바탕으로He等（2021）국지적인 선험이 아닌 장량자 공간 저질 학습에 기반한 HSI 소음 제거 방법인 TSLRLN(Temporal and Spatial Low-Rank Learning Network)을 제시했다.He等（2021）로컬이 아닌 전역과 결합된 노이즈 제거 알고리즘 NGmeet (Non-local and Global meet) 을 제시했다.이러한 전통적인 접근 방식은 HSI 소음 제거 성능을 어느 정도 향상시켰지만 여전히 많은 한계가 있습니다.이를 위해 이 글은 딥러닝 네트워크를 기반으로 한 HSI 이미지 소음 제거 방법을 제시했다.이 방법은 딥 러닝 피쳐 학습 능력과 하이 스펙트럼 이미지 (HSI) 의 다차원 특성을 결합하여 복잡한 스펙트럼과 공간 특징을 효과적으로 추출하여 소음을 제거하면서 더 많은 세부 정보를 유지할 수 있습니다.
2.2.2 주의력 메커니즘
주의력 메커니즘은 컴퓨터 시각에서 비교적 늦게 시작한다.최근 몇 년 동안의 발전 추세에서 주의력 메커니즘은 전역 정보를 처리하고 정보 상호작용을 할 때 다른 방법으로 대체할 수 없는 장점을 나타냈다.현재 다양한 연구 방향에 따라 채널 주의력 메커니즘(Channel Attention), 공간 주의력 메커니즘(Spatial Attention), 자가 주의력 메커니즘(Self Attention) 등 총 3가지로 나뉜다.이러한 방법은 각각 특정한 차원과 상호작용 방식을 겨냥하여 컴퓨터의 시각적 임무 성능을 향상시켰다.채널 주의력 메커니즘은 특징도에서 각 채널의 중요성을 동적으로 조정하여 모델이 관건적인 특징에 대한 민감성을 강화한다.Chen等（2021）채널 주의력 메커니즘 CAB (Channel-wise Attention Block) 를 제시하여 채널 주의력과 볼륨 조작을 결합하여 목표 탐지 및 이미지 분할의 성능을 향상시켰습니다.공간 주의력 메커니즘은 특징 도표의 공간 차원에 주목하고 서로 다른 위치의 특징을 가중시켜 현저한 영역을 돋보이게 한다. 이런 메커니즘은 모델이 이미지에 대한 관건적인 위치를 효과적으로 돋보이게 하고 이미지의 효과와 결과를 개선할 수 있다.Sun等（2020）제시된 공간 주의력 네트워크는 이미지 분류와 의미 분할 임무에서 현저하게 향상되었다.주의력 메커니즘은 입력 피쳐의 직접적인 관련성을 계산하여 피쳐 표현을 강화하는 방법으로 컨텍스트 정보를 포착할 수 있습니다.컴퓨터 시각 분야에서 시각 변환기 ViT (Vision Transformer) 와 같은 모델은 자체 주의력 메커니즘을 이용하여 이미지 분류에서 뚜렷한 효과를 거두었다.
2.2.3 상태 공간 모델
상태 공간 모델 SSM(State Space Model)은 숨겨진 상태를 통해 1차원 함수나 시퀀스를 응답에 매핑할 수 있는 선형 시변 시스템으로 정의됩니다.이 매핑은 수학적으로 다음과 같은 선형 상미분 방법인 ODE(Ordinary Differential Equation)를 통해 표현할 수 있습니다.
식중,상태 이동 행렬,와투영 매개변수를 나타냅니다.상태 공간 모델(State-space sequence model)과 Mamba는 연속적인 시스템을 분리하여 딥 러닝 장면에 더 적합하게 만듭니다.구체적으로 말하면 시간 척도 파라미터를 도입하였다., 동시에 0 단계 유지 법칙과 1 단계 테일러 급수를 사용하여 연속 매개변수를와이산화
분리 후 SSM 기반 모델은 다음과 같은 방정식을 정의하는 선형 반복 및 글로벌 볼륨의 두 가지 방법으로 계산할 수 있습니다.
다음 방정식에서는시퀀스 x 길이를 입력하려면볼륨 코어의 경우:
이 글에서 맘바 모듈의 이론적 근거는 상태 공간 모델인 SSM (State Space Model) 에서 유래한 것으로 상태 공간 모델은 그 특징 추출과 처리 메커니즘에 이론적 기초를 제공한다.
3 연구 방법
3.1 Mamba 블록 및 딥 러닝 네트워크 아키텍처 기반 혼합 해제 상자
높은 스펙트럼 이미지 혼합 해제의 정밀도를 향상시키기 위해, 이 문서는 Mamba 블록 및 딥 러닝 네트워크 아키텍처를 기반으로 한 혼합 해제 프레임워크 (PSAMN) 를 제안합니다.Fig. 2와 같습니다.이 아키텍처는 SST 모듈을 통해 노이즈 감소 처리를 수행하는 동시에 Mamba 블록 억제 피쳐의 중복 정보를 도입하여 이미지의 공간 특성과 스펙트럼 특성을 더 크게 추출하도록 설계되었습니다.최종적으로 전통적인 자체 인코더 혼합 프레임워크를 사용하여 풍성한 그림을 생성한다. 디코더는 선형 혼합 과정을 시뮬레이션할 수 있다. 추출된 단원은 디코더 층의 가중치로 나타날 것이다. 또한 높은 스펙트럼 이미지를 재구성할 수 있다 (Gosh 등, 2022). 단원도는 다음과 같은 몇 가지 방법으로 생성할 수 있다.다음과 같습니다.
식중,2단계에서 입력한 높은 스펙트럼 이미지를 나타냅니다.다음에 언급할 하위 네트워크 아키텍처를 나타냅니다.디코더를 나타냅니다.재구성 이미지를 나타냅니다.그런 다음1단계로 전파하여 특징 융합, 사용첫 번째 단계 피쳐 그림과 크기가 같음을 나타냅니다.두 번째 단계는 다음과 같습니다.
다단계 정보 융합 과정에서 이중 선형 샘플링 및공간 해상도를 높이기 위해 볼륨 레이어시프트 볼륨이 아닌 이중 선형 샘플링 및 전통적인 작업을 사용하여 바둑판의 위상을 줄이는 데 도움이됩니다.
식중,중간 단계의 특정 모듈을 나타내는 입력된 중간 피쳐 맵을 나타냅니다.표시구분개의 창 뒤에 나타나는 로컬 피쳐 블록입니다.
3.2 자체 주의력 모듈
이 연구는 모델이 보다 포괄적인 컨텍스트 위치 정보를 얻을 수 있도록 자체 주의 모듈 SST(Self-Attention Module)를 설계했습니다.와Fig. 3와 같이 주의력 모듈에서 하이 스펙트럼 이미지를 분할한 후의 각 이미지 패치에 대해투영 대상、、중,，，의 가중치：
그런 다음 위의 결과의，입력 대상함수에서 귀일화 계산 및 결과 활용다중 헤드 자체 주의력 메커니즘에서 각 헤드의 공간 자체 주의력 행렬을 생성합니다.。함수, 자체 주의 매트릭스에 대한 계산 공식은 다음과 같습니다.
식중,위차원, 특히，연구에서 벗어난 상대적 오차입니다.주의 조치 이후내장 및 선형 투영式（18）중. 모형의 공간 정보 캡처 능력을 더욱 강화하기 위해 각 공간 샘플링 블록 SST(Spatial Sampling Token) 사이에 공간 변위 작업(Spatial Shift Operation)을 실시했다.이러한 변위 작업은 원본 피쳐 맵의 픽셀 레벨 변환을 통해 수행됩니다. 즉, 분할 작업을 수행하기 전에 피쳐 맵의 픽셀 위치를 이동하여 모델이 보다 포괄적인 공간 컨텍스트 위치 정보를 얻을 수 있도록 합니다.이 프로세스는 로컬 피쳐에 대한 모델의 인식 능력을 향상시킬 뿐만 아니라 글로벌 구조에 대한 이해도 향상시킵니다.
3.3 맘바 덩어리
이 연구는 두 개의 모듈을 설계했습니다. 하나는 피라미드 맘바 (Pyramid Mamba);다른 하나는 공간, 스펙트럼 특성을 추출하는 스펙트럼 맘바 블록(Spectral Mamba Block)이다.
(1) 피라미드 맘바 블록 (Pyramid Mamba block) 은 다자도 특징 융합 과정에서의 정보 중복 문제를 해결하기 위한 고효율 특징 추출 모듈로서 고전적인 맘바 블록 구조를 기반으로 설계되었다.
우선 이 연구는 밀집 공간인 피라미드 풀 DSPP(Dense Spatial Pyramid Pooling) 전략을 도입해 다차원 특징 매핑을 얻었다.
여러 스케일의 풀화 영역을 구축하여 공간 구조를 유지하면서 다양한 스케일 특성에 대한 응답을 강화합니다 (Zhang等，2020）。여기서 DSPP는 다음과 같이 정의됩니다.
식중,. 그런 다음 결합된 피쳐 맵을 이중 선형 보간 작업으로 샘플링합니다.
결과 샘플링 피쳐 맵연결하면 다자도 특징도가 형성된다.
이때 형성된 다자도 특징도대량의 중복 정보가 포함되어 있다.재사용작업 시작
다자도 특징도에서 특유의 피라미드 서열을 추출하다：
더 나아가 Mamba 블록을 이용하여 선택적 필터링 메커니즘을 이용하여 다자도 특징 매핑으로 인한 정보 중복성을 낮추고 다자도 특징도의 핵심 정보를 추출한다:
마지막으로 추출된 핵심 정보를 권적 피드백 신경망에 전달합니다.
이 과정에서 볼륨 피드백 신경망은 1 × 1의 볼륨 레이어를 적용한 후 대량 귀일화(Batch Normalization) 및 GELU 활성화 함수(Gaussian Error Linear Unit)를 통해 처리한 후 모델의 일반화 능력을 강화하기 위해 정규화 기술, 즉 Dropout 작업을 적용했다.
식중,가져오기 피쳐 맵을 나타냅니다.채널 변환에 사용되는 1 * 1을 나타내는 볼륨 레이어;1 * 1 볼륨을 거친 출력을 나타냅니다.대표 경과활성화된 피쳐 맵;대표 경과다음 피쳐는 두 번째 볼륨의 출력입니다.전체 연결의 레이어 2에 해당합니다.피쳐 맵을 최종 출력합니다.
이러한 설계를 통해 정보의 중복성을 효과적으로 줄이고 여러 척도의 특징 정보 표현 능력을 강화할 수 있다. 예를 들어Fig. 4와 같습니다.
(2) 스펙트럼 맘바 블록 (Spectral Mamba Block): 기존의 RGB 채널을 통해 이미지를 캡처하는 시각 시스템과 달리 HSI는 스펙트럼 해상도가 더 높은 범위에서 커버됩니다.따라서 모델링과 특징 추출을 어떻게 하는지를 연구하는 것은 매우 연구할 만한 문제이다.이 문서에서는 스펙트럼 맘바 블록 (Spectral Mamba Block) 을 제안합니다. 먼저 스펙트럼 특성은 그룹 정책 (Split Group) 을 통해 G 개의 독립 그룹으로 구분됩니다.스펙트럼 대역에 대응하는 물리적 의미에 따라 구분하고, 자동화된 그룹 정책을 사용하여 서로 다른 대역 간의 상관성 및 특정 지물 속성 (예: 식생 반사율과 토양 성분 반사율) 에 대한 영향을 분석함으로써 대역의 지능적인 분류를 실현한다.
다음은 분류를 위한 구체적인 절차입니다.우선, 원격 탐지 영상에서 균일치, 방차, 편도와 피크 등을 포함한 각 주파수 대역의 통계적 특징을 추출하고 각 주파수 대역 간의 상호 정보 행렬을 계산하며 상호 정보 행렬을 이용하여 서로 다른 주파수 대역 간의 상호 의존 관계를 계량화한다.추출된 통계적 특징과 상호 정보 행렬을 결합하여 1개의 종합적인 특징 벡터 집합을 구축한다. 그 중 각 특징 벡터는 하나의 주파수 대역을 대표한다. 이 특징 벡터는 자신의 통계적 특징과 다른 주파수 대역의 관련 정보를 포함하고 오씨 거리를 유사도 도량 기준으로 이용한다.K-means 클러스터링 알고리즘을 이용하여 반복 최적화를 진행하는 동시에 계층 간 연결 기술을 사용하여 서로 다른 대역 그룹 간의 특징 정보의 교류와 통합을 도입한다.그런 다음 각 그룹의 스펙트럼 피쳐를 모델링하고 어셈블리 관계의 상호 작용을 통해 스펙트럼 피쳐를 효과적으로 업데이트합니다.추출된 유효한 스펙트럼 피쳐의 구체적인 형태는 다음과 같습니다.Fig. 5의 Mamba는 표준 맘바 블록입니다.
식중,∈；∈；，∈，split group을 거친 후 그룹(예:Fig. 5와 같습니다.
3.4 하위 네트워크 아키텍처
와Fig. 6이와 같이 각 서브레벨 네트워크는 4개의 서브모듈로 구성되며 이 서브모듈의 주요 기능은 특징 추출과 차원 강하에 있다.앞의 두 서브모듈은 볼륨 작업, 수정 선형 셀 처리 (함수 처리), 대량 귀일화 작업 (Batch 귀일화 작업) 및 무작위 비활성화 작업 (Dropout 작업) 으로 구성된 비교적 복잡한 처리를 한다.함수를 사용하는 목적은 음수 피쳐에 대한 모델의 표현을 강화하여 모델의 비선형 적합성을 향상시키는 데 있습니다.Batch 귀일화 작업의 목적은 모델의 수렴 과정을 가속화하고 훈련 효율과 효과를 향상시키는 데 있으며 위의 작업을 통해 모델의 성능을 향상시키고 모델의 안정성을 향상시킬 수 있습니다.
3.5 Loss 함수
스펙트럼 특징을 유지하기 위해 본 연구는 스펙트럼 각 손실 함수를 총 Loss 함수의 첫 번째 항목으로 도입하였으며, 스펙트럼 각 손실 함수는 중요한 평가 지표로서 출력 이미지와 목표 이미지 사이의 스펙트럼 유사성을 효과적으로 계량화할 수 있다.스펙트럼 각도 손실 함수는 높은 스펙트럼 공간에서 두 이미지의 각도를 계산하여 차이점을 측정합니다.아래 등식과 같다
식중,입력한 하이 스펙트럼 이미지를 나타냅니다.재구성된 하이 스펙트럼 이미지를 나타냅니다.
그러나 스펙트럼 손실 함수 SAD(Spectral Angle Distance)만 사용하면 몇 가지 문제가 발생할 수 있습니다.SAD 손실 함수는 스펙트럼 벡터 협각 관계에만 초점을 맞추고 스펙트럼 폭 변화는 무시합니다.따라서 SAD 손실 함수를 단독으로 사용하면 출력 이미지와 대상 이미지의 폭 차이가 중요시되지 않아 재구성 효과가 좋지 않습니다.이 문제를 해결하기 위해 출력 이미지와 대상 이미지 사이의 전반적인 스펙트럼 차이를 효과적으로 포착하기 위한 균일 오차 RMSE(Root Mean Square Error)가 도입되었습니다.RMSE 함수가 계산하는 제곱 오차는 모델에 대한 큰 오차의 영향을 효과적으로 향상시켜 재구성 정보의 정확성을 향상시킬 수 있습니다.RMSE 손실 함수의 수학적 표현식은 다음과 같습니다.
식중,입력한 하이 스펙트럼 이미지를 나타냅니다.재구성된 하이 스펙트럼 이미지를 나타냅니다.
이 문서에서 디자인한 혼합 해제 프레임워크 (PSAMN) 는 두 개의 서브넷으로 구성되어 있으며, 각 서브넷은 풍성한 결과를 낳을 수 있으며, 그 결과는 가장자리 특징 면에서 어느 정도 유사성을 나타낸다.이러한 유사성이 비교적 높은 가장자리 특징은 특징 정보에 일정한 중복성을 나타내고 모델의 일반화 능력을 떨어뜨린다.이러한 문제를 해결하기 위해서는 두 네트워크의 가장자리 특성을 구속하는 손실 함수를 설계해야 합니다.손실 함수 계산 공식은 다음과 같습니다.
식중,라프라스를 위해 계산하고,와단계별 인코더의 결과입니다.
요약하자면, 본 논문의 손실 함수는 위의 세 부분으로 구성되어 있습니다.
식중,와총 손실 함수에서 두 손실 함수가 차지하는 가중치 비율을 나타냅니다.
3.6 효율성 최적화
대규모 하이 스펙트럼 데이터를 처리할 때, 비록 본고가 제시한 다단계 볼륨 자체 인코더 네트워크는 3가지 모듈을 융합하여 이해 혼합 효과를 현저하게 향상시켰지만, 그 비교적 높은 계산 복잡도는 하나의 큰 병목이며, 이 문제를 해결하고 계산 효율을 보장하기 위해 일련의 최적화 전략과 기술 수단을 채용하였다.
계산 효율과 혼합 해제 정밀도 사이의 균형을 이루기 위해 핵심 구조를 보장하는 전제하에 모델을 경량화하여 설계하였다.전통적인 볼륨 작업 대신 깊이 분리 볼륨(Depthwise Separable Convolution)을 도입함으로써 매개변수 수와 계산량을 줄이면서 피쳐 추출 능력을 보장합니다.또한 전체 연결 레이어 일부를 전역 평균 풀링(Global Average Pooling)으로 대체하면 모델 복잡도를 더욱 줄일 수 있다.
4 실험 검증
이 논문은 노이즈 비율이 20dB인 하나의 시뮬레이션 데이터 세트와 samson, jasper, urban 등 3개의 실제 데이터 세트를 사용하여 실험했다.
4.1 하이 스펙트럼 데이터 세트 개요
4.1.1 아날로그 데이터 세트
아날로그 데이터 집합은 중요한 연구 도구로서 컴퓨터 모델이나 알고리즘을 통해 생성된 가상 데이터 집합을 통해 특정한 선형 행위의 통계적 특성을 반영한다.이 논문에서는 노이즈 비율 SNR(Signal-to-Noise Ratio)이 20dB인 아날로그 데이터 세트를 채택하여 노이즈 비율이 혼합 해제 과정에 미치는 영향을 체계적으로 검토했다.실험에서 연구는 5 개의 엔드를 선택하고 3600 개의 픽셀을 포함하는 데이터 큐브를 생성했습니다.HSI 이미지는 이 문서에서 설계된 혼합 해제 프레임워크(PSAMN)를 사용하여 혼합 처리됩니다.아날로그 데이터 세트는 엄격한 제어 조건에서 생성되며, 모든 매개변수는 알려져 있고 반복되며, 동시에 청정 엔드의 선택은 권위 있는 데이터베이스나 정확한 실험실 측정을 기반으로 하여 스펙트럼 특징의 고도의 정확성을 확보한다.
4.1.2 samson 데이터 세트
samson 데이터 세트는156개 대역의 스펙트럼 데이터를 커버하는 픽셀의 하위 영역으로, 401-889nm의 주파수 대역을 가진다. 이 데이터 세트의 주요 용도는 지표물질의 스펙트럼 특성을 연구하고 분석하는 데 있다.그리고 나무, 토양, 물 등 세 가지 단원을 골랐다.특정한 혼합 해제 프레임워크를 이용하여 이 데이터 집합에 대한 혼합 해제 현상을 탐구하는 동시에 샘슨의 높은 스펙트럼 데이터 집합의 풍부한 스펙트럼 정보는 이를 원격 탐지 이미지 분석, 재료 식별, 혼합 해제의 하류 임무 등 분야에서 비교적 중요한 연구 자원으로 만들었다.samson 데이터 세트를 실제 데이터 세트로 (Zhu等，2014), 높은 스펙트럼 이미지 혼합 알고리즘의 유효성을 검증하고 평가하기 위한 견고한 기초를 제공한다.
4.1.3 jasper 데이터 세트
jasper 데이터 세트는 주로 알고리즘을 평가하고 분석하는 데 사용되는 하이 스펙트럼 원격 감지에 널리 사용되는 데이터 세트입니다.이 데이터 세트에는224개 대역을 캡처하고 380~2500nm의 스펙트럼 범위를 커버하는 픽셀의 하이 스펙트럼 이미지 하위 영역.캡처된 224개 대역 중 26개의 유효 대역만 유지하여 데이터 품질과 가용성을 향상시킵니다.jasper 데이터 세트에는 주로 나무, 흙, 수체 및 도로의 네 가지 엔드가 있습니다.그 참고도는 상세한 지상 실황 조사를 바탕으로 얻은 것이다 (Zhu等，2014), 광구 각 구역에 대한 실제 샘플 수집과 스펙트럼 측정과 관련된다. 비록 jasper 데이터 세트는 실제 세계의 데이터를 포함하지만 실제 채집에 존재할 수 있는 환경 간섭과 인위적인 오차로 인해 그 참고도의 절대 정밀도는 합성 데이터 세트보다 약간 낮을 수 있다.
4.1.4 urban 데이터 세트
urban 데이터 세트는 도시 환경의 높은 스펙트럼 원격 탐지를 위해 설계된 중요한 데이터 세트이다.（Zhu等，2014) 이 데이터 세트에는 210개 대역을 포괄하는 307×307픽셀의 하이 스펙트럼 이미지가 포함되어 있으며, 파장은 400~2500nm입니다. 이 데이터 세트는 사전 처리 단계에서 48개의 가용 대역만 유지되며, Urban 데이터 세트에는 아스팔트 도로, 잔디, 나무, 지붕 등 4가지 단원이 포함됩니다.이런 유형의 데이터 집합은 도시 지물의 식별과 검측을 표준화하는 참고가 되었다.또한 AVIRIS 데이터 세트는 외부 실제 스펙트럼 데이터 소스로서 참조도의 정확성과 완전성을 강화하기 위해 사용되며, 비록 참조도는 합성 생성에 의존하지만 실제 원격 감지 영상과 권위 있는 데이터베이스의 높은 스펙트럼 데이터를 통합함으로써 복잡한 도시 환경을 시뮬레이션하는 데 높은 신뢰성을 확보하고 실제 응용에서 모델의 일반화 능력을 향상시킨다.
4.2 실험 설정
전체 구속 최소 2 곱하기 선형 스펙트럼 혼합 분석 방법 FCLS (Fully Constrained Least Squares Linear Spectral Unmixing) (Heinz 및 Chein-I-Chang, 2001), 역생성 네트워크 (Rev-Net) (Gao 등, Deephoncoment 기반 자동 인코딩 Net-NetGhosh等，2022), 순환 일관성 혼합 해제 네트워크 CycU-net(Cycle Consistency Unmixing Network)(Rasti 등, 2022), 볼륨 기반 자체 인코더와 변환기의 조합(Transformer)(Zhang 등, 2018), 심도 있는 이미지 선험에 기반한 높은 스펙트럼 혼합 해제 방법 UnDIP(Unmixing with Deep Image Prior Prior Muncovoder Palminder Netcovovon) 등 다중 네트워크 혼합 컴파일러(2022)FCLS 혼합 해제 방법은 혼합 픽셀의 스펙트럼 특징과 알려진 순수 스펙트럼 특징을 결합하여 모호 집합과 최소 2 곱하기를 이용하여 각 픽셀의 각 성분의 함량을 추정합니다.Rev-Net은 높은 스펙트럼 데이터에서 스펙트럼 변이성을 효과적으로 포착할 수 있는 역생성 네트워크 아키텍처를 채택하여 엔드 메타 (endmembers) 와 그에 상응하는 풍도 (abundance) 를 더욱 정확하게 추정할 수 있다.DANN은 다중 산란으로 인한 비선형 영향을 처리하기 위해 다중 선형 블렌드 모델을 사용하고 자체 인코더 프레임을 사용하여 스펙트럼 블렌드를 처리합니다.CycU-net은 순환 일관성과 자체 감지 손실을 도입하여 이미지 혼합을 해결합니다.Transformer는 볼륨 자체 인코더와 Transformer 네트워크를 결합하여 높은 스펙트럼 이미지의 혼합을 해결합니다.UnDIP는 형상 엔드 추출 방법을 사용하여 엔드를 추출하고 깊이 이미지 검증 추정 방법을 사용하여 풍도를 추정합니다.MSNet은 다단계 특성 일관성 메커니즘과 그에 상응하는 손실 함수를 도입하여 다단계 아키텍처를 최대한 활용하여 혼합 해제 안정성을 높인다.
하이퍼파라미터 설정: 문헌의 기본값에 따라 본고는 모든 혼합 해제 방법의 파라미터를 선택하여 원본 문헌의 설정과 일치하도록 하였다.이 문서에서 제시한 PSAMN 하이퍼파라미터 설정: Adam 최적화기를 사용하여 네트워크 파라미터를 업데이트하고 학습률을 0.03으로 설정합니다.또한 dropout은 0.2로 설정되고 최대 반복 횟수는 800입니다.최대 반복 횟수에 도달하면 PSAMN은 훈련을 중단하고 다음과 같은 혼합 해제 결과를 내보냅니다.Table 1와 같습니다.
Table 1 Parameter settings in the experiment
| 数据集 | α | β | 学习率 | 轮次 |
|---|
| 模拟数据集 | 0.1 | 0.03 | 0.003 | 800 |
| samson数据集 | 0.1 | 0.03 | 0.003 | 800 |
| jasper数据集 | 0.1 | 0.03 | 0.001 | 800 |
| urban数据集 | 0.4 | 0.03 | 0.020 | 800 |
평가지표: 실험에서는 스펙트럼 각거리 SAD(Spectral Angle Distance), 균방근 오차 RMSE(Root Mean Square Error), 평균 절대 편차 AAD(Average Absolute Deviation), 평균 정보 산도 AID(Average Information Divergence), 스펙트럼 정보 산도 SID(Spectragen Divermation) 등 5개 평가지표가 도입됐다.이러한 지표의 구체적인 정의는 다음과 같습니다.
식중,와추출된 엔드와 엔드의 실제 값을 각각 나타냅니다.와해혼출의 풍도와 실제 풍도로 나뉜다.
아날로그 데이터 세트는 아스팔트, 현무암, 석회석, 침엽수, 전나무 등 5개 단원을 나열하여 풍도 대비를 한다;samson 데이터 세트는 토양, 나무, 물, 도로 4개 단원을 열거하여 풍도 대비를 한다;urban 데이터 세트는 아스팔트, 잔디, 나무, 지붕 등 4개 단원을 나열하여 풍도 대비를 한다.
5 실험 결과 및 분석
5.1 융해 실험
본 연구는 단계별 실험을 대상으로 3가지 혼합 프레임의 성능을 비교하였다.노이즈 비율이 20dB인 실험 조건에서 일련의 융해 연구를 진행하였다.실험 결과 자가주의력 모듈을 도입하지 않은 상황에서 각종 성능 지표가 모두 정도부동하게 하강했다.
이 현상은 설계된 자체 주의력 모듈이 소음이 혼합 이미지에 대한 방해를 줄이는 데 현저한 역할을 발휘하여 소음에 대한 모델의 노봉성을 강화했음을 보여준다.또한 설계된 혼합 해제 프레임워크를 바탕으로 공간 피라미드 풀 (DSPP) 을 제거한 후 각 지표도 서로 다른 정도의 감소를 보여 특징 추출 과정에서 공간 피라미드 풀의 중요성을 더욱 검증했다.스펙트럼 맘바 블록을 도입하여 단원 추출 능력이 현저하게 향상된 것을 관찰함으로써 이 모듈이 혼합 해제 과정에서 스펙트럼 특징 추출의 유효성을 높이는 데 중요한 역할을 한다는 것을 나타낸다.RMSE (균일 방근 오차) 정밀도의 향상은 높은 스펙트럼 분야에서 설계된 혼합 해제 프레임 (PSAMN) 의 합리성을 더욱 검증합니다.융해실험의 결과는 이 틀의 유효성과 신뢰성을 충분히 증명하였으며 후속연구에 튼튼한 리론적기초와 실천적의거를 제공해주었다.와Table 2와 같이Table 3와 같습니다.
Table 2 Ablation study accuracy comparison （samson dataset）
| 算法 | SAD | AAD | AID | SID | RMSE |
|---|
| PSAMN（samson） | 0.032 | 13.073 | 0.614 | 0.079 | 0.017 |
| 缺少SST模块（samson） | 0.036 | 14.072 | 0.713 | 0.099 | 0.048 |
| 缺少金字塔曼巴块（samson） | 0.070 | 15.094 | 0.824 | 0.101 | 0.049 |
| 缺少光谱曼巴块（samson） | 0.036 | 16.013 | 0.614 | 0.080 | 0.090 |
Table 3 Ablation study accuracy comparison （jasper dataset）
| 算法 | SAD | AAD | SAD | SID | RMSE |
|---|
| PSAMN（jasper） | 0.035 | 11.146 | 13.314 | 1.348 | 0.088 |
| 缺少SST模块（jasper） | 0.038 | 11.156 | 14.514 | 1.425 | 0.092 |
| 缺少金字塔曼巴块（jasper） | 0.037 | 11.147 | 14.532 | 1.422 | 0.092 |
| 缺少光谱曼巴块（jasper） | 0.038 | 11.147 | 14.515 | 1.445 | 0.089 |
5.2 아날로그 데이터 세트에서의 혼합 해제 성능
Table 4에서는 노이즈 비율이 20dB일 때 측정된 결과를 나열합니다.Fig. 7각 혼합 해제 방법을 사용하여 얻은 풍도도를 효과적으로 보여주어 이 몇 가지 방법이 5가지 주요 재료의 혼합 해제를 실현하는 방면의 유효성을 부각시켰다.가시적: 제시된 PSAMN 방법은 AAD, AID, SID, RMSE 등 지표에서 모두 최고의 성능을 보였다.또한 PSAMN 메서드에서 얻은 풍도 그래프와Fig. 7의 실제 값(GT)은 가장 유사합니다.비교하기 쉽도록Fig. 8서로 다른 알고리즘이 추출한 엔드와 해당 GT 사이의 대비도를 보여준다.가시적: UnDIP의 혼합 해제 성능은 엔드 원의 초기화에 크게 의존하기 때문에 데이터 세트에 노이즈가 존재하는 경우 혼합 해제 결과가 이상적인 수준에 도달하기 어려운 경우가 많습니다.CycU-net과 MSNet의 혼합 해제 효과도 부족하다. 주로 CycU-net이 사용하는 단일 레벨 자동 인코더가 소음에 대한 민감성 때문에 소음 환경에서 소음의 영향을 효과적으로 줄이기 어렵다.FCLS 방법은 전통적인 최소 2승법에 기초한 알고리즘으로서 단원을 고정값으로 가정하고 단원 간의 직접적인 변이성을 고려하지 않았기 때문에 현저한 차이가 있는 단원을 처리할 때 실제의 풍도 분포를 정확하게 반영하기 어렵다;DANN이 사용하는 다선형 혼합 모델 (MLMM) 은 시뮬레이션 데이터 세트에서 종종 모델의 일반화 능력에 영향을 미치는 의합의 위험에 직면합니다.Transformer 네트워크는 장거리 의존성을 캡처하는 기능을 갖추고 있지만 특정 스펙트럼 피쳐를 처리할 때 다른 방법보다 추출 효율이 떨어지기 때문에 필요한 스펙트럼 피쳐를 정확하게 추출할 수 없습니다.이러한 요소들은 공통적으로 각 알고리즘이 혼합 해제 작업에서 나타나는 현저한 차이를 초래하는데, PSAMN 방법은 이러한 도전을 효과적으로 극복하고 더욱 우수한 성능을 보여준다.
Table 4 Comparison of unmixing accuracy for simulated datasets
| 算法 | SAD | AAD | AID | SID | RMSE |
|---|
| CyCU-Net | 0.080 | 24.440 | 3.512 | 0.586 | 0.159 |
| F CLS | 0.022 | 5.091 | 1.218 | 0.045 | 0.038 |
| MSNet | 0.022 | 23.486 | 3.292 | 0.540 | 0.174 |
| Transformer | 0.032 | 24.553 | 3.907 | 0.579 | 0.180 |
| UnDIP | 0.035 | 6.614 | 1.726 | 0.006 | 0.058 |
| Rev-Net | 0.061 | 25.284 | 5.031 | 0.009 | 0.203 |
| DANN | 0.051 | 15.288 | 4.032 | 0.008 | 0.133 |
| Ours | 0.023 | 2.581 | 1.124 | 0.004 | 0.030 |
5.3 Samson 데이터 세트에서의 실험 결과 및 분석
Table 5samson 데이터 세트의 정량 결과(예:Table 5와 같이 해당 볼륨 차트와 추출된 엔드 차트는 다음과 같습니다.Fig. 9와Fig. 10.이 데이터 세트는 상대적으로 간단하기 때문에 혼합 해제 효과가 양호하며, UnDIP, Rev-Net 및 FCLS 3가지 방법을 제외한 다른 혼합 해제 알고리즘은 비교적 좋은 성능을 거두었으며, 본 연구에서 설계한 PSAMN은 3개 지표(SAD, AID, RMSE)에서 다른 대비 알고리즘보다 우수하다는 점에 주목할 필요가 있다.AID 지표는 혼합 픽셀의 스펙트럼과 그 구성 성분 (즉, 엔드) 의 스펙트럼 간의 정보 차이를 측정하는 데 사용되며, AID 값이 작을수록 PSAMN의 혼합 해제 효과가 좋다는 것을 나타냅니다.스펙트럼 각도 거리 SAD (Spectral Angle Distance) 는 추출된 스펙트럼과 실제 스펙트럼 사이의 유사성을 평가하는 데 사용되며, PSAMN 모델은 SAD 지표에서 최소값을 얻어 혼합된 스펙트럼 이미지가 실제 데이터 스펙트럼 특징과 더 높은 유사도를 가지고 있음을 나타낸다.또한 PSAMN은 풍도 평가에서 최상의 RMSE (Root Mean Square Error) 값을 획득하여 모델이 데이터에 가장 잘 적합하다는 것을 설명하였으며, 풍도 추출에서 실제 값 데이터와 높은 유사성을 더욱 증명하였다.
Table 5 Comparison of unmixing accuracy for the samson dataset
| 算法 | SAD | AAD | AID | SID | RMSE |
|---|
| CyCU-Net | 0.080 | 24.440 | 3.512 | 0.586 | 0.159 |
| F CLS | 0.022 | 5.091 | 1.218 | 0.045 | 0.038 |
| MSNet | 0.022 | 23.486 | 3.292 | 0.540 | 0.174 |
| Transformer | 0.032 | 24.553 | 3.907 | 0.579 | 0.180 |
| UnDIP | 0.035 | 6.614 | 1.726 | 0.006 | 0.058 |
| Rev-Net | 0.061 | 25.284 | 5.031 | 0.009 | 0.203 |
| DANN | 0.051 | 15.288 | 4.032 | 0.008 | 0.133 |
| Ours | 0.023 | 2.581 | 1.124 | 0.004 | 0.030 |
jasper 데이터 세트에서의 실험 결과: 엔드 메타 RMSE 및 SAD와 같은 지표의 정량 비교Table 6와 같습니다.그에 상응하는 풍도도는 다음과 같다.Fig. 11와 같이Fig. 12와 같습니다.samson 데이터 세트에 비해 jasper 데이터 세트는 더 높은 해상도의 높은 스펙트럼 데이터를 제공하며 더 많은 스펙트럼 대역과 실제 엔드 스펙트럼을 포함하기 때문에 혼합 해제 작업에서 더 높은 도전성을 가지고 있습니다.실험 결과에 따르면 제시된 PSAMN 알고리즘은 여러 비교 알고리즘에서 두드러졌으며, 특히 SAD, AAD, RMSE 등 평가 지표에서 우수한 성능을 보여 풍도도 생성에서의 진실성을 부각시켰다.이는 PSAMN 알고리즘이 복잡한 고스펙트럼 데이터를 처리할 때 더욱 강한 혼합 해제 능력을 가지고 있으며, 지물의 풍부한 정보를 더욱 정확하게 회복할 수 있음을 나타낸다.jasper 데이터 집중은 도로가 장면의 작은 부분을 차지하기 때문에 데이터 집합의 소음이 더욱 커지고 이미지를 어느 정도 혼동했다.이와 동시에 복잡한 지형분포는 도로의 풍도에 대한 평가를 더욱 도전적으로 한다.따라서 전체 장면과 부분적인 디테일 사이에서 적당한 균형을 유지해야 효과가 더 좋은 풍도도를 시각화할 수 있다.
Table 6 Comparison of unmixing accuracy for the Jasper dataset
| 算法 | SAD | AAD | AID | SID | RMSE |
|---|
| CyCU-Net | 0.110 | 18.878 | 3.095 | 0.048 | 0.116 |
| F CLS | 0.297 | 32.594 | 20.055 | 1.488 | 0.204 |
| MSNet | 0.049 | 15.030 | 1.201 | 0.015 | 0.099 |
| Transformer | 0.087 | 31.456 | 3.338 | 0.025 | 0.201 |
| Rev-Net | 0.049 | 14.322 | 1.201 | 0.015 | 0.093 |
| DANN | 0.112 | 18.834 | 1.726 | 0.127 | 0.117 |
| UnDIP | 0.050 | 28.682 | 4.180 | 0.032 | 0.167 |
| Ours | 0.035 | 11.146 | 1.314 | 1.348 | 0.088 |
urban 데이터 세트의 실험 결과:Table 7urban 데이터 세트에서 측정된 결과를 보여줍니다.Table 7이와 같이 관련 풍도도와 추출된 단원도는 각각Fig. 13와Fig. 14중.그 중에서 urban 데이터 집합은 주로 도시 환경에서 유래한 것으로 다양한 지물 특징을 포함하여 비교적 복잡한 지물 혼합 현상을 나타내고 도시화가 지표 특징에 미치는 깊은 영향을 효과적으로 나타낼 수 있다.풍도 그래프에 대한 상세한 분석을 통해 CycU-net, Transformer, Rev-Net 및 FCLS와 같은 방법으로 생성된 풍도 그래프와 실제 값(Ground Truth) 사이에 현저한 차이가 있음을 발견했습니다.정량 분석 결과 (Table 8) 는 제시된 PSAMN 알고리즘이 SAD, SID 및 RMSE와 같은 성능 지표에서 모두 최상의 결과를 달성했음을 나타냅니다.또한 PSAMN 알고리즘이 생성한 풍도도와 실제 값 사이의 유사성이 가장 강하여 픽셀 고도 혼합 장면에서의 탁월한 혼합 해제 능력과 효율성을 충분히 증명하였으며, 이러한 결과는 복잡한 도시 환경에서의 PSAMN 알고리즘의 응용 잠재력을 보여주었으며, 하이 스펙트럼 이미지 혼합 해제 분야의 연구에 새로운 사고방식과 방법을 제공하였다.
Table 7 Comparison of unmixing accuracy for the Urban dataset
| 算法 | SAD | AAD | AID | SID | RMSE |
|---|
| CyCU-Net | 0.169 | 66.034 | 14.685 | 14.685 | 0.352 |
| F CLS | 0.368 | 69.256 | 18.668 | 0.649 | 0.382 |
| MSNet | 0.118 | 69.620 | 12.021 | 0.675 | 0.118 |
| Transformer | 0.092 | 68.370 | 12.406 | 0.159 | 0.139 |
| UnDIP | 0.444 | 57.220 | 11.153 | 0.610 | 0.317 |
| Rev-Net | 0.189 | 64.780 | 9.327 | 1.136 | 0.327 |
| DANN | 0.260 | 69.546 | 11.407 | 0.288 | 0.120 |
| Ours | 0.087 | 70.099 | 11.995 | 0.056 | 0.092 |
Table 8 Comparison of computational complexity
| 数据集 | 评价指标 | MSNet | PSAMN（缺少光谱、金字塔曼巴块） | PSAMN（缺少金字塔曼巴块） | PSAMN |
|---|
| samson | 参数大小 | 2.62 | 2.90 | 3.22 | 3.32 |
| 执行时间 | 3.2 | 5.3 | 6.7 | 8.7 |
| jasper | 参数大小 | 2.49 | 2.86 | 2.92 | 3.12 |
| 执行时间 | 33.7 | 35.7 | 40.2 | 43.3 |
5.4 계산 복잡도 분석
에서Table 8에서 복잡도 평가를 도입하여 훈련 매개변수 규모와 연산 시간 두 차원에서 서로 다른 방법에 대해 체계적인 운행 효율 분석을 진행하였다.실험 결과, SST 모듈 도입, 피라미드 맘바 블록, 스펙트럼 맘바 블록은 불가피하게 계산 복잡도와 실행 시간을 증가시켰지만, 이러한 설계는 이해 혼합 성능을 크게 향상시켰다.PSAMN 아키텍처의 설계로 인해 컴퓨팅 복잡성이 증가함에도 불구하고.그러나 전체적으로 실행 시간은 허용 가능한 범위 내에서 유지되므로 모델의 유효성과 실용성이 보장됩니다.Table 8와 같습니다.
6 결론
노이즈 환경에 혼합된 높은 스펙트럼 이미지 해독을 향상시키고, 다중 스케일 피쳐의 중복 문제를 완화하며, 선형 컴퓨팅의 복잡성을 유지하면서 효율적인 모델링 공간인 스펙트럼 장거리 의존도를 연구하기 위해 이 글은 딥 러닝 기반의 새로운 다단계 볼륨 자체 인코더 해독 모델 PSAMN (Phase-wise Mamba Attention Unmixing Framework) 을 제안합니다.또한 아날로그 데이터 세트, samson 데이터 세트, jasper 데이터 세트, urban 데이터 세트 등 4개의 데이터 세트에서 다른 알고리즘에 비해 본고가 제시한 알고리즘의 혼합 해제 정밀도, 일반화 능력 및 종합적인 성능 우위를 검증한다. 특히 현재 주류이거나 널리 사용되고 있는 고스펙트럼 혼합 해제 방법 (예를 들어 VCA, MVC-NMF, Autoencoder, UnDIP 등) 과 비교할 때 더욱 높은 정확도와 정확도를 보여준다.주요 결론은 다음과 같습니다.
(1) Pyramid Mamba 구조: 이 구조는 피라미드 풀화 기술 (DSPP) 을 사용하여 다자도 풀화 층을 통해 세부 사항과 전역 정보를 포착합니다.이 방법은 풍부한 공간 정보를 보존할 뿐만 아니라 전통적인 단일 척도 풀링으로 인한 정보 손실을 줄여 모델의 특징 표현 능력을 현저하게 향상시켰다.
(2) 스펙트럼 맘바 블록: 이 모듈은 식별 가능한 스펙트럼 특징을 깊이 발굴하여 정교하게 설계된 네트워크 구조를 통해 높은 스펙트럼 이미지 중 대표적인 스펙트럼 특징을 추출하여 모델의 혼합 해제 성능을 한층 더 향상시켰다.마지막으로 다단계 네트워크 구조를 이용하여 이 구조를 사용하여 서로 다른 단계 사이에 정보를 전달하고 높은 스펙트럼 이미지의 혼합 해제 성능을 점차적으로 향상시킨다.다단계의 정보 전달과 최적화를 통해 모델은 혼합 해제 결과를 점차적으로 세분화하고 개선하여 더욱 합리적이고 안정적인 혼합 해제 출력을 얻을 수 있다.
시뮬레이션 데이터 세트와 실제 스펙트럼 데이터 세트에 대한 실험 평가를 통해 제시된 혼합 해제 모델 (PSAMN) 이 혼합 해제 성능과 정밀도에서 기존 방법보다 우수하다는 것을 알 수 있다.구체적으로 PSAMN은 엔드 메타 추출과 풍도 추정에서 더 높은 정확성과 노봉성을 보여주며, 특히 복잡한 배경과 소음 환경에서는 그 장점이 더 뚜렷하다.또한 PSAMN은 컴퓨팅 효율과 모델 일반화 능력에서도 좋은 성능을 보여 높은 스펙트럼 이미지 혼합 해소에 새로운 효과적인 솔루션을 제공했다.
