Hyperspektrale Bandauswahl basierend auf überwachten tiefen Faltungsnetzwerken und Distanzdichte

In diesem Artikel wird ein Ansatz zur Bandauswahl vorgestellt, der auf dem tiefen Faltungsneuronalen Netzwerk (CNN) und der Distanzdichte (DD) basiert. Diese Methode mindert effektiv den Fluch der Dimensionalität für hyperspektrale Bilder (HSIs). Zunächst verwenden wir die hyperspektralen Vollbanddaten, um ein benutzerdefiniertes 1-D-CNN zu trainieren und ein gut trainiertes Modell zu erhalten. Zweitens wählen wir Bandkombinationen basierend auf DD aus. Mit der rectified linear unit, die die Aktivierungsfunktion des CNN ist und nur bei einem von null verschiedenen Wert aktiviert wird, können wir die Bandkombinationen effektiv testen, ohne das Modell neu zu trainieren. Schließlich wählt die Methode die Bandkombinationen mit der höchsten Präzision als die endgültig ausgewählten Bänder aus. Dieses Präzisionsmaß ist ein neues Kriterium für die Bandauswahl. Um die Leistung weiter zu verbessern, wird auch eine Datenaugmentation basierend auf DD vorgeschlagen. Um die Effektivität der vorgeschlagenen Methode zu rechtfertigen, werden Experimente an zwei HSIs durchgeführt. Die Ergebnisse zeigen, dass die vorgeschlagene Methode zufriedenstellendere Ergebnisse als traditionelle Methoden erzielen kann.