Deep unfolding Network for Hyperspectral Image Super-Resolution with Automatic Exposure Correction
提出UHSR-AEC深度展开网络，联合低光增强与超分辨率，自动校正曝光，在极端光照下生成高质量高光谱融合图像，性能优于现有基准方法。
2024-03-14 cs.CV eess.IV
Hyperspectral Image Unmixing with Endmember Bundles and Group Sparsity Inducing Mixed Norms
高光谱图像提供了比传统成像技术更多的信息，允许在观察场景中的材料的精确识别，但由于有限的空间分辨率，观察通常是几种材料的贡献的混合物。光谱分解问题的目的是恢复场景的纯物质（端元）的光谱，以及它们在每个像素中的比例（丰度）。为了处理材料的类内变异性和端元的诱导光谱变异性，可以考虑构成端元束的每种材料的几个光谱。然而，通常的丰度估计技术不利用这些束的特殊结构，组织成组的光谱。在本文中，我们提出了使用群体稀疏性，通过引入混合范数的丰度估计优化问题。特别是，我们提出了一个新的惩罚，同时执行组和组内稀疏，成本是非凸的。所有提出的惩罚是兼容的丰度总和为一的约束，这是不是与传统的稀疏回归的情况下。我们在模拟和真实数据集上显示，与朴素束方法相比，精心选择的惩罚可以显着提高解混性能。
2019-03-28 eess.IV
Adaptive Regularized Low-Rank Tensor Decomposition for Hyperspectral Image Denoising and Destriping
本文提出自适应超拉普拉斯正则化低秩张量分解方法，通过单独建模条带噪声并自适应估计梯度分布参数，有效实现高光谱图像去噪与去条带。
2024-01-11 eess.IV
Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package
Technische Universität Berlin（柏林工业大学）；Univ. Grenoble Alpes（格勒诺布尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；LJK（让·昆廷诺实验室）；Data Science Experts（数据科学专家公司）
本文综述了监督、半监督和无监督高光谱线性解混的先进与传统图像处理与机器学习方法，在模拟与真实数据集上对比其性能，并开源了HySUPP Python包以复现结果。
2024-04-26 cs.CV cs.LG eess.IV
Fast Unmixing and Change Detection in Multitemporal Hyperspectral Data
多时相光谱解混（SU）是处理高光谱图像（HI）序列的有力工具，因为它能够揭示场景中物质随时间和空间的演化。然而，由于采集或季节条件的变化，在图像采集之间经常观察到显著的光谱变化。在SU算法的设计中必须考虑这一特性。由于其良好的性能，多端元光谱混合分析算法（MESMA）最近已被用来执行SU在多个实际应用中出现的多时相场景。然而，MESMA没有考虑不同的HI之间的关系，其计算复杂度是非常高的大型光谱库。在这项工作中，我们提出了一个有效的多时间SU方法，利用丰度之间的高时间相关性，以较低的计算复杂度提供更准确的结果。我们建议通过分别解决端元选择和丰度估计问题来解决复杂的一般多时态SU问题。这导致更简单的解决方案，而不会牺牲结果的准确性。我们还提出了一个战略，以检测和解决突然的丰度变化的时间。理论结果表明，所提出的方法相比，MESMA的质量，以及它是如何有效地检测丰度变化。该分析提供了对算法成功的条件的有价值的洞察。仿真结果表明，该方法以较小的计算代价实现了最先进的性能。
2021-09-09 eess.IV
Hyperspectral Unmixing Network Inspired by Unfolding an Optimization Problem
高光谱图像混合分解本质上是一个逆问题，通常在预定义的（非）线性混合模型下通过优化算法求解。虽然这些优化算法表现出令人印象深刻的性能，但它们的计算要求非常高，因为它们通常依赖于迭代更新方案。近年来，神经网络的兴起激发了许多基于学习的混合分解算法。然而，它们中的大多数缺乏可解释性，并且需要大量的训练数据集。一个自然的问题，然后出现：可以利用基于模型的算法和基于学习的算法，以实现可解释的和快速的算法HSI分解问题？本文结合传统的基于优化模型的解混方法和基于上升学习的解混方法，提出了两种新的网络结构，分别用于丰度估计和盲解混，命名为U-ADMM-AENet和U-ADMM-BUNet。首先考虑具有稀疏约束的线性混合模型，然后利用交替方向乘子法（ADMM）构造解混网络结构。我们还表明，展开的结构可以在机器学习文献中找到相应的解释，这进一步证明了所提出的方法的有效性。受益于解释，建议的网络可以初始化，结合先验信息的HSI数据。与传统的展开网络不同，我们提出了一种新的训练策略，以更好地适应HSI应用。大量的实验表明，所提出的方法可以实现更快的收敛速度和竞争力的性能，即使在非常小的规模的训练数据，与最先进的算法相比。
2020-05-30 cs.LG eess.IV
Spectral Unmixing Comparison with Sparse, Iterative and Mixed Integer Programming Models
该研究针对高光谱解混领域OLS模型假设探讨不足的问题，深入分析OLS内在假设，对比稀疏回归、迭代特征搜索、数学规划三类OLS变体与新型HySUDeB方法的性能，并构建矿物分子结构分类体系助力目标物质检测。
2025-03-21 eess.IV
A Survey on Hyperspectral Image Restoration: From the View of Low-Rank Tensor Approximation
高光谱图像能够捕捉到精细的光谱鉴别信息，使其能够对具有细微光谱差异的目标进行观测、检测和识别。然而，由于环境干扰、大气影响和传感器硬件的限制，所捕获的HSI可能不代表地面物体的真实分布，并且成像仪器处接收到的反射率可能会降低。这些退化包括但不限于：复合噪声（即，高斯噪声、脉冲噪声、稀疏条纹及其混合物）、重条纹、最后期限、云和阴影遮挡、模糊和空间分辨率退化以及光谱吸收等。低秩张量近似（Low-rank Tensor Approximation，LRTA）是一种新兴的技术，在HSI恢复领域受到了广泛的关注，具有不断发展的理论基础和关键的技术创新。与低秩矩阵近似（LRMA）相比，LRTA能够表征高阶数据更复杂的内在结构，具有更高效的学习能力，可用于解决HSI恢复所引起的凸和非凸逆优化问题。本次调查主要试图提出一个复杂的，前沿的，全面的技术调查LRTA对HSI恢复，具体集中在以下六个主题：去噪，去条纹，修复，去模糊，超分辨率和融合。阐述了LRTA技术的理论发展和变体。对于每个主题，国家的最先进的恢复方法进行了比较，通过评估其性能定量和视觉。还提出了开放的问题和挑战，包括模型制定，算法设计，先验探索和应用有关的解释要求。
2022-05-18 eess.IV
Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure
Qom University of Technology（库姆理工大学）；Freie Universität Berlin（柏林自由大学）
高光谱图像的光谱解混是遥感应用中的一个重要问题。尽管高光谱数据的高光谱分辨率，但传感器的相对低的空间分辨率可能导致图像像素内不同纯材料的混合。在这种情况下，由传感器记录的给定像素的光谱可以是多个光谱的组合，每个光谱属于该像素中的独特材料。光谱解混然后被用作一种技术，以提取混合像素内的不同材料的光谱特性，并恢复每个纯光谱签名的光谱，称为端元。块稀疏性是高光谱图像中相邻像素间光谱相似性的结果。在块稀疏信号中，非零样本以簇的形式出现，并且簇的模式通常被认为是不可用的先验信息。提出了一种基于块稀疏结构的混合光谱分解方法。采用模式耦合稀疏贝叶斯学习策略（PCSBL）解决高光谱图像的混合分解问题。为了评估所提出的SU算法的性能，它是合成和真实的高光谱数据和定量结果进行了比较，与其他国家的最先进的方法在丰度角距离和均方误差。所取得的结果表明，该算法的优越性比其他竞争方法的显着保证金。
2023-02-17 cs.CV eess.IV
Mixture-Net: Low-Rank Deep Image Prior Inspired by Mixture Models for Spectral Image Recovery
Universidad Industrial de Santander（桑坦德工业大学）
本文提出了一种非数据驱动的深度神经网络，用于光谱图像恢复问题，如去噪，单高光谱图像超分辨率，压缩光谱成像重建。与以前的方法不同，所提出的方法被称为Mixture-Net，通过网络隐式地学习先验信息。Mixture-Net由一个深度生成模型组成，其层受到线性和非线性低秩混合模型的启发，其中恢复的图像由线性和非线性分解之间的加权和组成。Mixture-Net还提供了一个低秩分解，解释为光谱图像丰度和端元，有助于实现遥感任务，而无需运行额外的例程。实验表明，MixtureNet的有效性优于国家的最先进的方法在恢复质量与架构的可解释性的优势。
2022-11-05 cs.CV eess.IV
Hyperspectral Image Data Reduction for Endmember Extraction
Department of Mathematical and Systems Engineering, Shizuoka University（数学与系统工程系，静冈大学）
针对高光谱图像端元提取计算成本高的问题，提出一种基于线性混合模型和纯像元假设的数据降维技术，去除混合像元，保留近端元像元，并结合线性规划自字典方法，在不牺牲提取精度的前提下显著降低计算时间。
2026-05-25 cs.LG eess.IV eess.SP
A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles
Department of Mathematics, Michigan State University（数学系，密歇根州立大学）；Department of Mathematics and the School of Data Science and Society, The University of North Carolina at Chapel Hill（数学系和数据科学与社会学院，北卡罗来纳大学教堂山分校）；Department of Mathematics and the Department of Computational Mathematics, Science and Engineering, Michigan State University（数学系和计算数学、科学与工程系，密歇根州立大学）
针对高光谱解混中物质类别可变性导致单一光谱特征表示不准确的问题，提出基于端元束的组稀疏性通用框架，支持多种稀疏惩罚并验证了有效性。
2025-05-20 cs.CV eess.IV
Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model
Arizona State University（亚利桑那州立大学）；Northern Arizona University（北亚利桑那大学）
高光谱解混是一项重要的遥感任务，其应用包括物质识别和分析。典型的光谱特征使许多纯物质可从其可见光-红外光谱中识别，但由于非线性和变化因素，量化它们在混合物中的存在是一项具有挑战性的任务。在本文中，光谱变化被认为是从一个基于物理的方法，并纳入端到端的光谱解混算法通过可微编程。引入色散模型来模拟真实的光谱变化，并提出了一种有效的参数拟合方法。然后，该色散模型被用作合成分析光谱分解算法内的生成模型。此外，当训练数据可用时，引入了使用卷积神经网络来预测生成模型的参数的逆绘制技术，以提高性能和速度。结果在红外和可见-近红外（VNIR）数据集上都达到了最先进的水平，并显示出未来基于物理的模型和深度学习在高光谱解混中的协同作用。
2020-07-12 cs.CV eess.IV physics.ao-ph
Generalized Unsupervised Clustering of Hyperspectral Images of Geological Targets in the Near Infrared
Caltech（加州理工学院）
随着数据变得更容易获得和成本效益，红外超光谱图像在地质问题中的应用越来越普遍。对光谱相似的材料进行聚类和分类通常是从地球上的经济矿物勘探到火星上的行星探索等应用的第一步。由专业开发的光谱参数指导的半手动分类可能耗时且有偏差，而监督方法需要大量标记数据并且难以推广。在这里，我们开发了一个完全无监督的工作流程，由专家光谱地质学家输入和定量指标提供信息的特征提取和聚类。我们的管道使用轻量级的自动编码器，然后使用高斯混合建模来映射任何图像中的光谱多样性。我们使用阿曼蛇绿岩钻孔岩芯的专家标记数据验证了我们的管道在亚毫米级的性能，并使用火星上Jezero Crater（Perseverance探测器的着陆点）的部分分类轨道数据评估了米级的性能。我们还研究了在传统的高光谱图像分析中使用的各种预处理技术的效果。这条管道提供了一个快速和准确的聚类图类似的地质材料和一致的识别和分离实验室图像和遥感图像的主要矿物类别。我们将我们的管道称为“矿物光谱无监督聚类的通用管道（Gypsum）”。"
2021-06-24 cs.CV eess.IV
AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder and Regularization by Denoising
Northwestern Polytechnical University（西北工业大学）；University of Toulouse（图卢兹大学）；IRIT/INP-ENSEEIHT（图卢兹计算机科学研究所/国立图卢兹应用科学学院-高等电力与电子工程师学院）；CNRS（法国国家科学研究中心）
本文提出名为AE-RED的高光谱解混框架，通过将深度自编码器与去噪正则化相结合，分解优化问题以融合隐式正则化与显式先验，从而提升解混性能与可解释性。
2023-07-01 cs.CV eess.IV
Matrix cofactorization for joint spatial-spectral unmixing of hyperspectral images
University of Toulouse（图卢兹大学）；IRIT/INP-ENSEEIHT；Centre National d’Études Spatiales (CNES)（法国国家空间研究中心）；Institut Universitaire de France (IUF)（法国大学研究院）
高光谱解混的目的是确定一组基本光谱和相应的混合系数为每个像素的图像。由于基本光谱对应于真实材料的反射光谱，它们通常非常相关，从而产生病态问题。为了丰富模型并减少由于高相关性引起的模糊性，通常引入空间信息来补充光谱信息。引入空间信息的最常见方式是依赖于丰度图的空间规则化。在本文中，而不是考虑一个简单的，但有限的正则化过程中，空间信息直接纳入通过新提出的上下文空间解混。提取每个像素的上下文特征，并根据线性模型分解这组额外的观察结果。最后，空间和光谱观测解混共同通过一个余因子分解模型。特别是，该模型引入了一个耦合项，用于识别共享的空间和光谱特征的集群。所提出的方法进行的合成和真实数据的评估，结果是准确的，也是非常有意义的，因为它们描述了空间和光谱的场景的各个领域。
2020-02-14 cs.CV eess.IV
Hyperspectral Image Denoising with Partially Orthogonal Matrix Vector Tensor Factorization
University of Electronic Science and Technology of China（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）
高光谱图像（HSI）由于其额外的光谱信息，在各种应用中具有自然图像所不能比拟的优势。在捕获过程中，它经常被严重的噪声污染，包括高斯噪声，脉冲噪声，截止日期，和条纹。图像质量的退化会严重影响某些应用。本文提出了一种平滑鲁棒的低秩张量恢复方法。具体来说，我们提出了一个结构张量分解，根据线性光谱混合模型的HSI。它将张量分解为外部矩阵向量乘积的和，其中向量由于端元谱的独立性而正交。在此基础上，全局低秩张量结构可以很好地表达HSI去噪。此外，三维各向异性全变分用于HSI的空间谱分段平滑。同时，稀疏噪声包括脉冲噪声，截止日期和条纹，检测l1范数正则化。Frobenius范数用于一些真实世界场景中的重高斯噪声。采用乘子交替方向法求解该优化模型，同时利用了HSI的全局低秩特性和空间谱光滑性。模拟和真实数据的数值实验表明，与现有的方法相比，所提出的方法的优越性。
2020-06-29 cs.LG eess.IV
Looking into a Pixel by Nonlinear Unmixing -- A Generative Approach
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
本文提出一种基于生成模型的非线性解混方法，利用双向GAN框架结合循环一致性和线性非线性混合关系，无需显式混合模型即可实现高光谱图像解混，实验表明其在不同数据集上表现稳定且具有竞争力。
2026-04-01 cs.AI cs.CV eess.IV
Degradation-Aware Metric Prompting for Hyperspectral Image Restoration
School of Computer Science and Technology, Beijing Institute of Technology, Beijing, China（北京理工大学计算机科学与技术学院）；School of Computer Science, Wuhan University, Wuhan, Hubei, China（武汉大学计算机学院）；Zhongguancun Academy, Beijing, China（中关村学院）
提出退化感知度量提示（DAMP）框架，通过可解释的空间-光谱度量作为退化提示，结合退化自适应混合专家（DAMoE）模块，实现多维度退化统一恢复，在自然和遥感高光谱数据集上达到最先进性能并展现零样本泛化能力。
2026-06-01 cs.CV eess.IV
Hyperspectral Pigment Analysis of Cultural Heritage Artifacts Using the Opaque Form of Kubelka-Munk Theory
Rochester Institute of Technology（罗切斯特理工学院）
Kubelka-Munk（K-M）理论已成功地用于估计光谱图像中现代绘画颜料混合物中的颜料浓度。在这项研究中，单常数K-M理论已被用于分类的绿色颜料在塞尔登地图的中国，中国南海的航海地图可能在17世纪初创建。地图的高光谱数据收集在牛津大学的Bodleian图书馆，可用于估计地图内的色素多样性和空间分布。这项工作旨在评估的效用分析的数据在K/S空间从Kubelka-Munk理论，而不是传统的反射率域。我们估计的数据的维数和提取的反射域中的端元。然后，我们执行线性解混以估计K/S空间中的丰度，并遵循Bai等人（2017），我们在丰度空间中执行分类。最后，由于缺乏地面真值标签，通过计算每个类别的平均谱作为该类别的代表性特征，并计算该类别中所有像素的均方根误差以创建误差的空间表示来估计分类精度。这突出显示了误差的大小和误差中的任何空间模式，指示特定色素是否在该方法中没有很好地建模。
2021-04-11 cs.CV eess.IV
Scalable neural pushbroom architectures for real-time denoising of hyperspectral images onboard satellites
Politecnico di Torino – Department of Electronics and Telecommunications（托里尼 Politecnico 大学电子与电信系）
本文提出了一种可扩展的神经架构，用于卫星载荷上的实时高光谱图像去噪，兼顾低复杂度、动态功率可扩展性和容错性。
2026-01-08 cs.CV eess.IV
Rethinking Coupled Tensor Analysis for Hyperspectral Super-Resolution: Recoverable Modeling Under Endmember Variability
School of Mathematics, Southwest Jiaotong University, Chengdu, China（西南交通大学数学学院）；School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, OR 97331, United States（俄勒冈州立大学电气工程与计算机科学学院）
本文提出了一种更灵活的块项张量分解模型，以解决端元变化问题，提升超分辨率图像的可恢复性和可解释性。
2025-12-22 cs.CV eess.IV
Aerial hyperspectral imagery and deep neural networks for high-throughput yield phenotyping in wheat
University of Minnesota（明尼苏达大学）；University of California-Davis（加州大学戴维斯分校）
作物生产需要以可持续的方式增加，以满足全球日益增长的粮食需求。为了确定具有高产潜力的作物品种，植物科学家和育种家在几年内评估了多个地点的数百个品系的表现。为了促进先进品种的选择过程，在这项研究中开发了一个自动化的框架。在无人驾驶飞行器上安装了一台高光谱照相机，以收集具有高空间和光谱分辨率的航空图像。在连续两个生长季节从三个实验产量田中捕获航空图像，所述三个实验产量田由数百个实验地块（1 × 2.4米）组成，每个试验地块包含一个小麦品系。通过联合收割机收割超过一千块小麦地块的谷物，称重并记录为地面实况数据。为了利用高空间分辨率和调查小区内的产量变化，通过将图像处理技术和光谱混合分析与专家领域知识相结合，将小区图像划分为子小区。然后，使用分层抽样将子图数据集分为训练集、验证集和测试集。在从每个子地块提取特征之后，训练深度神经网络以进行产量估计。预测子区尺度下测试数据集产量的决定系数为0.79，均方根误差为5.90克。除了提供子地块尺度上的产量变化的见解，所提出的框架可以促进高通量产量表型分析作为一个有价值的决策支持工具的过程。它提供了以下可能性：（i）对地块进行远程目视检查，（ii）研究作物密度对产量的影响，以及（iii）优化地块大小，以便每年在专用田地中调查更多品系。
2019-06-23 cs.CV eess.IV
Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral Deep Priors
University of Electronic Science and Technology of China（电子科技大学）；Oregon State University（俄勒冈州立大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
图像去噪通常需要精确的先验信息。近年来，数据驱动的神经网络先验在RGB自然图像去噪方面表现出了良好的性能。与经典的手工制作的先验（例如，稀疏性和总变差），使用大量的训练样本来学习“深度先验”--这可以精确地对复杂的图像生成过程进行建模。然而，由于缺乏训练数据，数据驱动的先验知识很难获得高光谱图像（HSI）。一种补救方法是使用所谓的无监督深度图像先验（DIP）。在无监督DIP框架下，假设并实证证明了适当的神经网络结构是某些类型图像的合理先验，并且可以在没有训练数据的情况下学习网络权重。尽管如此，最有效的无监督DIP结构是针对自然图像而不是HSI提出的。无监督的基于DIP的HSI去噪的性能受到两个严重挑战的限制，即网络结构设计和网络复杂性。这项工作提出了一个无监督的DIP框架，是基于经典的空间谱分解的HSIs。利用所谓的HSI的线性混合模型，两种类型的无监督DIP，即，U-Net类网络和全连接网络，分别用于模拟丰度图和HSI中包含的端元。这样，自然图像的经验验证的无监督DIP结构可以很容易地用于HSI去噪。此外，分解也大大降低了网络的复杂性。提出了一种有效的交替优化算法来处理公式化的去噪问题。半真实和真实数据的实验，以展示所提出的方法的有效性。
2021-08-18 cs.CV eess.IV
Hyperspectral Unmixing using Iterative, Sparse and Ensambling Approaches for Large Spectral Libraries Applied to Soils and Minerals
针对大光谱库下高光谱解混的不适定问题，对比了LASSO、ElasticNet及结合二者的迭代特征选择、BMA、BMA-Q等稀疏回归变体，通过分子组成异同评估各方法识别混合物质的准确率。
2025-03-21 eess.IV physics.data-an
Spectral unmixing of Raman microscopic images of single human cells using Independent Component Analysis
National Research Council Canada, Metrology Research Centre（加拿大国家研究委员会计量研究中心）
独立成分分析（ICA）作为一种解混和图像聚类技术的高空间分辨率拉曼图像的应用报告。通过拉曼显微光谱仪在0.5um网格上以光栅图案收集固定的人类细胞的高光谱图。与以前使用的无监督机器学习技术（如主成分分析）不同，ICA基于数据的非高斯性和统计独立性，这是混合拉曼光谱的情况。因此，ICA是一个伟大的候选人组装伪彩色地图从光谱超立方体的拉曼光谱。我们的实验结果表明，ICA是能够重建假彩色地图的拉曼高光谱数据的人类细胞，显示核区域的成分，以及亚细胞器的细胞质和线粒体的分布在核周区域。ICA方法的最低预处理要求和无标记性质使其成为提取活细胞拉曼高光谱图中端元的一种很好的非混合方法。
2021-10-25 cs.CV cs.LG eess.IV
Multivariate analysis of Brillouin imaging data by supervised and unsupervised learning
布里渊成像依赖于从高光谱数据集中可靠地提取精细光谱信息。到目前为止，主流的做法是使用光谱特征的线拟合来检索平均峰移和线宽参数。然而，好的结果在很大程度上取决于足够的SNR，可能不适用于复杂的样品，包括光谱混合物。因此，在这项工作中，我们提出了使用各种多变量算法，可用于执行监督或无监督分析的高光谱数据，我们探索先进的图像分析应用程序，即解混，分类和分割的幻影和活细胞。所得到的图像被示出为提供更多的对比度和细节，并且在时间尺度$10^2$上比拟合更快地获得。估计的光谱参数与纯拟合计算的光谱参数一致。
2020-09-15 eess.IV physics.data-an physics.optics
Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin Lesion Detection in Highly Imbalanced Datasets
Amasya University（阿马西亚大学）；Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center, Bilkent University（比尔肯特大学国家磁共振研究中心）；Sabuncu Brain Research Center, Bilkent University（比尔肯特大学萨本朱脑研究中心）
黑色素瘤是一种致命的皮肤癌，是可以治愈的，并且在早期诊断时具有显著增加的存活率。基于学习的方法对于从皮肤镜图像检测黑色素瘤具有重要的前景。然而，由于黑色素瘤是一种罕见的疾病，现有的皮肤病变数据库主要包含高度不平衡的良性与恶性样本的数量。反过来，由于大多数类别的统计优势，这种不平衡在分类模型中引入了实质性偏差。为了解决这个问题，我们引入了一种基于皮肤镜图像的潜在空间嵌入的深度聚类方法。聚类是使用一种新的面向中心的无边缘三重损失（COM-三重）来实现的，该算法对卷积神经网络主干的图像嵌入进行了强制执行。该方法的目标是形成最大分离的聚类中心，而不是最小化分类错误，因此它对类不平衡不太敏感。为了避免对标记数据的需要，我们进一步提出了基于高斯混合模型生成的伪标签来实现COM三元组。综合实验表明，COM-三重损失的深度聚类优于三重损失的聚类，以及监督和无监督设置中的竞争分类器。
2022-04-03 cs.AI cs.CV cs.LG
