Robust iterative estimation of material abundances based on spectral filters exploiting the SVD

Krippner, Wolfgang; Anastasiadis, Johannes; León, Fernando Puente

doi:10.1117/12.2518195

Cited by 3 publications

(2 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bei der Optimierung der Form (6) sind diese Skalierungsfaktoren Teil des zu optimierenden Parametervektors θ und es gilt X = (Λ+1)P. Sowohl beim ELMM also auch beim GLMM werden die Nebenbedingungen (1) und (2) eingehalten [8,14]. Ein weiteres Verfahren, welches iterativ die Abweichungen zu den Bedingungen (1) und (2) minimiert, in dem die Spektrenvariabilität berücksichtigt wird, wird in [20] vorgestellt. Dabei steht eine Menge an Reinspektren zur Verfügung, die verwendet wird, um die Matrix M in (3) zu modifizieren.…”

Section: Spektrenvariabilitätunclassified

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

Anastasiadis

Benzing

León

2020

Tm - Technisches Messen

Self Cite

View full text Add to dashboard Cite

ZusammenfassungIn diesem Beitrag wird eine Methode vorgestellt, mit der Daten zum Training von künstlichen neuronalen Netzen für die spektrale Entmischung erzeugt werden. Dies hat den Vorteil, dass nur Spektren der beteiligten Reinstoffe und, je nach verwendetem Modell, wenige Mischspektren zur Bestimmung der Parameter an realen Daten zur Verfügung stehen müssen. Daraus können mit Hilfe von Mischmodellen, die auch direkt zur Entmischung herangezogen werden können, große Mengen an Spektren zum Trainieren erzeugt werden. Im Gegensatz zum direkten Einsatz der Mischmodelle, wo von einem Spektrum pro Reinstoff ausgegangen wird, wird hier die Spektrenvariabilität berücksichtigt, indem unterschiedliche Spektren desselben Reinstoffs genutzt werden. Dabei wird die Eigenschaft künstlicher neuronaler Netze ausgenutzt, aussagekräftige Merkmale auf Basis großer Datenmengen lernen zu können.

show abstract

Section: Spektrenvariabilitätunclassified

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

Anastasiadis

Benzing

León

2020

Tm - Technisches Messen

Self Cite

View full text Add to dashboard Cite

show abstract

“…6 In addition, there is an iterative algorithm that minimizes the violation of physical constraints by varying the endmember spectra. 7 However, in order to achieve good results, artificial neural networks require large amounts of labelled and representative training data. Otherwise, especially with a regression problem, such as spectral unmixing, there is a high risk of overfitting.…”

Section: Introductionmentioning

confidence: 99%

CNN-based augmentation strategy for spectral unmixing datasets considering spectral variability

Anastasiadis

Heizmann

2020

Image and Signal Processing for Remote Sensing XXVI

Self Cite

View full text Add to dashboard Cite

Spectral unmixing is often relying on a mixing model that is only an approximation. Artificial neural networks have the advantage of not requiring model knowledge. Additional advantages in the domain of spectral unmixing are the easy handling of spectral variability and the possibility to force the sum-to-one and the non-negativity constraints. However, they need a lot of significant training data to achieve good results.To overcome this problem, mainly for classification problems, augmentation strategies are widely used to increase the size of training datasets synthetically. Spectral unmixing can be considered as a regression problem, where data augmentation is also feasible. One intuitive strategy is to generate spectra based on abundances that do not occur in the training dataset, while taking spectral variability into account.For the implementation of this approach, we use a convolutional neural network (CNN), where the input variables are extended by random values. This allows spectral variability to be taken into account. The random inputs are re-sampled for each data point in every epoch. During training the CNN learns the mixing model and the characteristic spectral variability of the training dataset. Additional spectra can be generated afterwards for any given abundances to extend the original training dataset.Because the generative CNN minimizes the error between generated spectra and the corresponding ground truth for the whole dataset during training, the variance of the spectra based on the same abundances is lower than in the training data. We have investigated two approaches for improvement. One is to increase the variance of the random input variables when generating new spectra. For the second, the estimated covariance matrices are considered by the objective function.The presented method is evaluated with real data, which were captured in our image processing laboratory. We found that the augmentation of the training dataset with the presented strategy leads to an improvement for spectral unmixing of the test dataset.

show abstract

Improving light efficiency in multispectral imaging via complementary notch filters

Panther

Schambach

Heizmann

2021

Automated Visual Inspection and Machine Vision IV

View full text Add to dashboard Cite

Robust iterative estimation of material abundances based on spectral filters exploiting the SVD

Cited by 3 publications

References 16 publications

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

CNN-based augmentation strategy for spectral unmixing datasets considering spectral variability

Improving light efficiency in multispectral imaging via complementary notch filters

Contact Info

Product

Resources

About