استخراج الميزات غير الخاضع للإشراف في الصور الطيفية فائقة التباين بناءً على شبكة الخصومة التوليدية وايسترتين

يعد استخراج الميزات (FE) مجال بحث حاسم في معالجة الصور الطيفية فائقة التباين (HSI). مؤخرًا، وبسبب القدرة القوية للتعلم العميق (DL) على استخراج الميزات المكانية والطيفية، أظهرت طرق FE المعتمدة على DL إمكانيات كبيرة في معالجة HSI. ومع ذلك، فإن معظم طرق FE المعتمدة على DL تكون خاضعة للإشراف، وتعاني من مشاكل في التدريب نتيجة لعدم وجود عينات معنونة في HSI. تحد هذه المشكلة الخاصة بالتدريب بالنسبة لأساليب FE المعتمدة على DL الخاضعة للإشراف من تطبيقها على معالجة HSI. لمعالجة هذه المسألة، تقترح هذه الورقة شبكة خصومة توليدية معدلة (GAN) جديدة لتدريب مُستخرج الخصائص القائم على DL بدون إشراف. تتكون GAN المصممة من مكونين، وهما مولد ومميز. يمكن للمولد التركيز على تعلم التوزيعات الاحتمالية الحقيقية لمجموعات البيانات، ويمكن للمميز استخراج الميزات المكانية والطيفية بفعالية مع ثبات متفوق. من أجل تعلم استراتيجيات التصعيد والتقليص بصورة تكيفية أثناء FE، تم تصميم المولد والمميز المقترحين بناءً على شبكة فرعية إلغاء الالتفاف بالكامل وشبكة فرعية التفاف بالكامل، على التوالي. علاوة على ذلك، تم تصميم وظيفة تكلفة جديدة من نوع الحد الأدنى-الحد الأقصى لتدريب GAN المقترحة بطريقة شاملة بدون إشراف، من خلال الاستفادة من العلاقة في لعبة المجموع الصفري بين المولد والمميز. بالإضافة إلى ذلك، تحل GAN المعدلة المقترحة مكان تباين Jensen-Shannon الأصلي مع مسافة وايسترتين، بهدف تخفيف عدم الاستقرار وصعوبة التدريب في أطر GAN. تؤكد النتائج التجريبية على ثلاث مجموعات بيانات حقيقية فعالية الطريقة المقترحة.