Transformer for Multitemporal Hyperspectral Image Unmixing

多时相高光谱图像解混合(MTHU)在监测和分析地表动态变化方面具有重要意义。然而，与单时相解混合相比，多时相方法需要全面考虑不同阶段的信息，因此更具挑战性。为了解决这个挑战，我们提出了多时相高光谱图像解混合变压器(MUFormer)，这是一个端到端的无监督深度学习模型。为了有效地进行多时相高光谱图像解混合，我们引入了两个关键模块：全局感知模块(GAM)和变化增强模块(CEM)。全局感知模块计算所有阶段的自注意力，促进全局权重分配。另一方面，变化增强模块通过比较相邻阶段的端元素变化动态学习局部时间变化。这些模块之间的协同作用允许捕捉有关端元素和丰度变化的语义信息，从而增强多时相高光谱图像解混合的有效性。我们在一个真实数据集和两个合成数据集上进行了实验，证明了我们的模型显著增强了多时相高光谱图像解混合的效果。

本文旨在解决多时相高光谱图像分解（MTHU）的问题，即如何有效地利用不同时间相的信息进行分解。

本文提出了一种名为MUFormer的端到端无监督深度学习模型，其中包含全局感知模块（GAM）和变化增强模块（CEM），以有效地执行多时相高光谱图像分解。

本文在一个真实数据集和两个合成数据集上进行了实验，证明了该模型显著提高了多时相高光谱图像分解的效果。

在这个领域中，最近的相关研究包括：“Multitemporal hyperspectral image unmixing using deep learning with temporal consistency constraint”和“Multitemporal Hyperspectral Image Unmixing via a Structured Low-Rank Matrix Factorization Framework”。