dc.contributor |
Háskóli Íslands |
dc.contributor |
University of Iceland |
dc.contributor.advisor |
Jóhannes R. Sveinsson, Magnús Örn Úlfarsson |
dc.contributor.author |
Pálsson, Burkni |
dc.date.accessioned |
2023-09-28T10:37:30Z |
dc.date.available |
2023-09-28T10:37:30Z |
dc.date.issued |
2023-09 |
dc.identifier.isbn |
978-9935-9742-6-6 |
dc.identifier.uri |
https://hdl.handle.net/20.500.11815/4476 |
dc.description.abstract |
The subject of this thesis is blind hyperspectral unmixing using deep learning based autoencoders. Two methods based on autoencoders are proposed and analyzed. Both methods seek to exploit the spatial correlations in the hyperspectral images to improve the performance. One by using multitask learning to simultaneously unmix a neighbourhood of pixels while the other by using a convolutional neural network autoencoder. This increases the consistency and robustness of the methods. In addition, a review of the various autoencoder methods in the literature is given along with a detailed discussion of different types of autoencoders. The thesis concludes by a critical comparison of eleven different autoencoder based methods. Ablation experiments are performed to answer the question of why autoencoders are so effective in blind hyperspectral unmixing, and an opinion is given on what the future in autoencoder unmixing holds. |
dc.description.abstract |
Efni þessarar ritgerðar er aðgreining fjölrásamynda (e. blind hyperspectral unmixing)
með sjálfkóðurum (e. autoencoders) byggðum á djúpum lærdómi (e. deep learning).
Tvær aðferðir byggðar á sjálfkóðurum eru kynntar og rannsakaðar. Báðar aðferðirnar
leitast við að nýta sér rúmfræðilega fylgni rófa í fjölrásamyndum til að bæta árangur
aðgreiningar. Ein aðferð með að nýta sér fjölbeitingarlærdóm (e. multitask learning)
og hin með að nota sjálfkóðara útfærðan með földunartaugnaneti (e. convolutional
neural network). Hvortveggja bætir samkvæmni og hæfni fjölrásagreiningarinnar.
Ennfremur inniheldur ritgerðin yfirgripsmikið yfirlit yfir þær sjálfkóðaraaðferðir sem
hafa verið birtar ásamt greinargóðri umræðu um mismunandi gerðir sjálfkóðara og
útfærslur á þeim.
í lok ritgerðarinnar er svo að finna gagnrýninn samanburð á 11 mismunandi aðferðum byggðum á sjálfkóðurum. Brottnáms (e. ablation) tilraunir eru gerðar til að svara
spurningunni hvers vegna sjálfkóðarar eru svo árangursríkir í fjölrásagreiningu og stuttlega rætt um hvað framtíðin ber í skauti sér varðandi aðgreiningu fjölrásamynda með
sjálfkóðurum.
Megin framlag ritgerðarinnar er eftirfarandi:
- Ný sjálfkóðaraaðferð, MTLAEU, sem nýtir á beinan hátt rúmfræðilega fylgni rófa í
fjölrásamyndum til að bæta árangur aðgreiningar. Aðferðin notar fjölbeitingarlærdóm
til að aðgreina grennd af rófum í einu.
- Ný aðferð, CNNAEU, sem notar 2D földunartaugnanet fyrir bæði kóðara og afkóðara
og er fyrsta birta aðferðin til að gera það. Aðferðin er þjálfuð á myndbútum (e.patches)
og því er rúmfræðileg bygging myndarinnar sem greina á varðveitt í gegnum aðferðina.
- Yfirgripsmikil og ítarlegt fræðilegt yfirlit yfir birtar sjálfkóðaraaðferðir fyrir fjölrásagreiningu. Gefinn er inngangur að sjálfkóðurum og elstu tegundir sjálfkóðara eru
kynntar. Gefið er greinargott yfirlit yfir helstu birtar aðferðir fyrir fjölrásagreiningu
sem byggja á sjálfkóðurum og gerður er gangrýninn samburður á 11 mismunandi sjálfkóðaraaðferðum. |
dc.description.sponsorship |
The Icelandic Research Fund under Grants 174075-05 and 207233-051 |
dc.language.iso |
en |
dc.publisher |
University of Iceland, School of Engineering and Natural Sciences, Faculty of Electrical and Computer Engineering |
dc.rights |
info:eu-repo/semantics/openAccess |
dc.subject |
Fjölrásarmyndir |
dc.subject |
Kóðun |
dc.subject |
Doktorsritgerðir |
dc.subject |
Fjarkönnun |
dc.subject |
Hyperspectral unmixing |
dc.subject |
Autoencoder |
dc.subject |
Remote sensing |
dc.subject |
Deep learning |
dc.title |
Blind Hyperspectral Unmixing Using Autoencoders |
dc.type |
info:eu-repo/semantics/doctoralThesis |
dc.contributor.department |
Rafmagns- og tölvuverkfræðideild (HÍ) |
dc.contributor.department |
Faculty of Electrical and Computer Engineering (UI) |
dc.contributor.school |
Verkfræði- og náttúruvísindasvið (HÍ) |
dc.contributor.school |
School of Engineering and Natural Sciences (UI) |