光谱解混

1. 线性高光谱解混模型综述
2. DEEP SPECTRAL CONVOLUTION NETWORK FOR HYPERSPECTRAL UNMIXING

1. 原因：高光谱遥感技术具有地物探测能力，而其分辨率有限，地物是均匀连续的而不是离散的，导致光谱图像中存在大量的混合像元。
2. 定义：提取地物并计算地物在混合像元中的比例。提取混合像元中包含的基本地物被称为端元提取；计算每种基本地物所占的比例称为丰度。

Y=θW+E ，Y观测光谱矩阵，θ端元谱矩阵，W丰度矩阵，E噪声矩阵

1. 光谱混合的分类

根据物质混合和物理分布的空间尺度大小分为：

非线性混合：不同类物质间的多重散射。

线性混合：离散片混合，像元点的光谱幅度是由各组成成分的光谱信号以相对贡献量的线性叠加。

1. 解决：线性高光谱解混模型(针对纳米以下)

方法：非负矩阵分解、原型分析、贝叶斯方法以及稀疏解混(Nonnegative Matrix Factor，Archetype Analysis，Bayesian Method and Sparse Unmixing)

1. 非负矩阵分解（同时实现提取端元和丰度估计）

5.1、浅层NMF

目标：一次非负矩阵分解实现光谱混解，并增加先验信息约束。

5.2、深层NMF

受深度学习启发而展开的一项探索的尝试和研究。

1. 原型分析，同时

目标：通过构造原型分解模型克服NMF在光谱解混过程中出现的非凸问题

1. 贝叶斯方法，同时

目标：通过构造端元和丰度的最大后验概率完成光谱解混。将分别从似然函数、丰度先验、端元先验以及空间信息先验 四个方面进行整理、分类和比较。

1. 稀疏解混，仅仅用来丰度估计

目标：在端元谱库已知的情况下，采用回归技术估计丰度。

该部分将从拟合误差、丰度先验和结构先验三个方 面进行整理． 该部分内容与基于稀疏丰度约束的非 负矩阵分解的内容非常相似，所不同的是稀疏解混 仅仅用来估计丰度，其参考文献均来自稀疏解混的 研究领域．

9、应用：小例子；代码；实操

异常检测Anomaly Detection

1. 李宏毅的视频
2. Deep learning in invasion detection system: an overview

1、定义

异常：以训练集为核心，判断输入数据是否属于训练集。

不能用二分类解决该问题的原因：数据不平衡

2、异常检测模型分类

         labeled：输出样本标签和unknown,表“没见过的”，不在训练集中的。

         unlabeled（clean, polluted）

                  clean：训练集是“干净的”，将整个训练集的样本视为“正样本”

                  polluted：掺杂异常的样本（假如）

3、Labeled带标签

3.1、分类器输出标签和信心值

         3.2、Evaluation模型评估

         准确路？不可行。因为数据不平衡

         解决：积分制、AUC、Macro-F1

         3.3、存在的问题

         模型泛化能力不强。eg，猫狗分类器不能分出羊驼和马，但把老虎归为猫，狼归为狗

         解决：GAN生成“有点像正常数据却又没那么像”的异常数据。

4、Unlabeled不带标签

分类器输出无标签(Y值)和信心值，只会输出一个概率。

将概率数值化

         4.1、其他方法

                  Auto-encoder自编码器：

                  将输入值code成一个隐藏层，再Decode把code还原，相似则可能是normal，否则可能是anormal。

                  其他：one-class SVM, Isolated Forest。