Generating accurate estimation of water inherent optical properties (IOPs) from hyperspectral images plays a significant role in marine exploration. Traditional methods mainly adopt bathymetric models and numerical optimization algorithms to deal with this problem. However, these methods usually tend to simplify the bathymetric models and lack the capability of describing the discrepancy between reference spectrum and estimation spectrum, resulting in a limited estimation performance. To get a more precise result, in this work, we propose a novel network based on deep learning to retrieve the IOPs. The proposed network, named as IOPs estimation network (IOPE-Net), explores a hybrid sequence structure to establish IOPs estimation module that acquires high-dimensional nonlinear features of water body spectrums for water IOPs estimation. Moreover, considering the insufficiency of labeled training samples, we design a spectrum reconstruction module combined with classical bathymetric model to train the proposed network in an unsupervised manner. Then, aiming at further promoting the estimation performance, a multicriterion loss is developed as the objective function of IOPE-Net. In particular, we construct a hierarchical multiscale sequence loss as the key component to retain the details of original spectral information. Thus, the discrepancy between different spectrums can be better described by the obtained learning model. Experimental results on both simulated and real datasets demonstrate the effectiveness and efficiency of our method in comparison with the state-of-the-art water IOPs retrieving methods.

中文翻译：

---

混合序列网络用于高光谱影像无监督水质估计

从高光谱图像生成水固有光学特性（IOP）的准确估计在海洋勘探中发挥着重要作用。传统方法主要采用测深模型和数值优化算法来解决该问题。然而，这些方法通常趋向于简化测深模型并且缺乏描述参考频谱与估计频谱之间差异的能力，从而导致有限的估计性能。为了获得更精确的结果，在这项工作中，我们提出了一个基于深度学习的新颖网络来检索IOP。该提议的网络称为IOPs估计网络（IOPE-Net），探索了一种混合序列结构来建立IOPs估计模块，该模块获取水体光谱的高维非线性特征以进行水IOPs估计。而且，考虑到标记训练样本的不足，我们设计了结合经典测深模型的频谱重建模块，以无人监督的方式训练拟议的网络。然后，为了进一步提高估计性能，开发了一种多准则损失作为IOPE-Net的目标函数。特别是，我们构造了一个分层的多尺度序列丢失作为关键组件，以保留原始光谱信息的细节。因此，通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。我们设计了结合经典测深模型的频谱重建模块，以无人监督的方式训练拟议的网络。然后，为了进一步提高估计性能，开发了一种多准则损失作为IOPE-Net的目标函数。特别是，我们构造了一个分层的多尺度序列丢失作为关键组件，以保留原始光谱信息的细节。因此，通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。我们设计了结合经典测深模型的频谱重建模块，以无人监督的方式训练拟议的网络。然后，为了进一步提高估计性能，开发了一种多准则损失作为IOPE-Net的目标函数。特别是，我们构造了一个分层的多尺度序列丢失作为关键组件，以保留原始光谱信息的细节。因此，通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。为了进一步提高估计性能，开发了一种多准则损失作为IOPE-Net的目标函数。特别是，我们构造了一个分层的多尺度序列丢失作为关键组件，以保留原始光谱信息的细节。因此，通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。为了进一步提高估计性能，开发了一种多准则损失作为IOPE-Net的目标函数。特别是，我们构造了一个分层的多尺度序列丢失作为关键组件，以保留原始光谱信息的细节。因此，通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。通过获得的学习模型可以更好地描述不同频谱之间的差异。与最新的水IOPs检索方法相比，在模拟和真实数据集上的实验结果证明了我们方法的有效性和效率。