Robustes Kapselnetzwerk basierend auf dem Maximum-Correntropy-Kriterium für die Klassifizierung hyperspektraler Bilder

In letzter Zeit wurden auf Deep Learning basierende Algorithmen häufig zur Klassifizierung hyperspektraler Bilder (HSIs) eingesetzt, indem invariant und abstrakte Merkmale extrahiert wurden. In unserem Konferenzpapier, das auf dem IEEE International Geoscience and Remote Sensing Symposium 2018 präsentiert wurde, wurden 1-D-Kapselnetzwerk (CapsNet) und 2-D-CapsNet vorgeschlagen und validiert für die HSI-Merkmalextraktion und -klassifikation. Um die Klassifizierungsleistung weiter zu verbessern, wird in diesem Artikel die robuste 3-D-CapsNet-Architektur vorgeschlagen, die auf unserer bisherigen Arbeit basiert und das Maximum-Correntropy-Kriterium einführt, um Probleme mit Rauschen und Ausreißern zu adressieren, wodurch ein robustes und besser generalisierbares Modell entsteht. So können diskriminative Merkmale extrahiert werden, selbst wenn einige Proben mehr oder weniger beschädigt sind. Zusätzlich wird ein neuartiger Dual-Channel-Rahmen auf Basis des robusten CapsNet vorgeschlagen, um die hyperspektralen Daten mit aus Lichtdetektion und Entfernungsbestimmung abgeleiteten Höhendaten zu kombinieren. Drei weit verbreitete hyperspektrale Datensätze werden verwendet, um die Überlegenheit unserer vorgeschlagenen Deep Learning-Modelle zu demonstrieren.