En los últimos años, los métodos basados en los autoencoders (AE) en el aprendizaje profundo han llamado la atención en el desentrelazado no supervisado de imágenes hiperespectrales. Dado que el proceso de aprendizaje de AE puede describirse como la búsqueda de un conjunto de capas ocultas de dimensiones bajas (riqueza) y el uso de sus pesos correspondientes (elementos terminales) para reducir el error de reconstrucción, este marco se ha aplicado ampliamente en algoritmos de desentrelazado de imágenes hiperespectrales. Sin embargo, los marcos actuales basados en AE, aunque pueden manejar eficazmente escenarios de desentrelazado no supervisado, todavía tienen problemas con el ruido y las condiciones de inicialización, y la precisión de desentrelazado también necesita mejorarse. En respuesta a estos problemas, este artículo presenta un nuevo marco de desentrelazado no supervisado basado en autoencodificadores adversarios (AAE). En primer lugar, en el generador de la red según la intensidad y la no negatividad (ASC) y la importancia física (ANC), se diseñó un marco de desentrelazado terminal basado en AE. Luego, en el discriminador de la red, el artículo utiliza el mapa de riqueza inicial como valor real, realiza desafíos de entrenamiento adversario de la capa oculta (riqueza) del generador en comparación con la riqueza inicial para lograr una optimización sincronizada de errores de reconstrucción y adversarios para mejorar el rendimiento del marco. En comparación con los métodos AE tradicionales, este método, mediante la introducción de un proceso adversario, mediante la introducción de conocimientos previos sobre la riqueza en el discriminador, puede mejorar en gran medida el rendimiento y la robustez del marco. Los experimentos en datos hiperespectrales simulados y reales muestran que este algoritmo tiene una precisión de desentrelazado más alta en comparación con los métodos existentes.

Teledetección; Desentrelazado hiperespectral; Aprendizaje profundo; Autoencodificadores adversarios; Imágenes hiperespectrales de alta resolución