Key points are not available for this paper at this time.
Aufgrund seiner hohen spektralen Auflösung können hyperspektrale Fernerkundungsdaten praktisch kontinuierliche Spektralkurven für Zielobjekte bereitstellen und die detaillierten Merkmale von Bodenobjekten vollständig widerspiegeln. Allerdings stellt die durch eine große Anzahl von Bändern erzeugte Datenredundanz eine Herausforderung für die Merkmalsextraktion von Zielobjekten dar. Daher werden die spektralen Daten durch Wavelet-Transformation verarbeitet, um den Einfluss der intra-klassenspektralen Variation auf die Klassifikation zu reduzieren. Die Multiskalen-Bilddaten wurden durch Gauß-Pyramiden-Multiskala-Transformation erfasst. Anschließend wurden die multiskaligen räumlichen Informationen durch das Merkmalsextraktionsnetzwerk erfasst, um die Klassifikationsgenauigkeit zu verbessern. Wir schlagen ein duales Zweig-Merkmalsextraktionsnetzwerk vor. Der erste Zweig verwendet die Gauß-Pyramiden-Multiskala-Transformation, um Multiskalenbilder zu erhalten, und wendet dann das Modul zur Merkmalsextraktion an, um multiskalige räumliche Merkmale zu gewinnen. Der zweite Zweig verwendet die Wavelet-Transformation, um spektrale Daten zu verarbeiten und den Einfluss abnormaler spektraler Daten auf die Klassifikation zu reduzieren, und wendet dann ein Modul zur Merkmalsextraktion an, um spektrale Merkmale zu erwerben. Schließlich werden die von den beiden Zweigen erhaltenen spektralen und räumlichen Merkmale in der voll verbundenen Schicht fusioniert, um eine genaue Klassifikation zu erreichen. Diese Methode kann effektiv die feinen Merkmale hyperspektraler Bilder erfassen, indem sie spektrale Merkmale und räumliche Merkmale unterschiedlicher Skalen kombiniert. Gleichzeitig kann sie die Interaktion zwischen spektralen und räumlichen Merkmalen erfassen, indem sie räumliche und spektrale Merkmale durch gemeinsames Lernen kombiniert. Experimentelle Ergebnisse zu hyperspektralen Bilddatensätzen zeigen, dass die Methode bessere Ergebnisse als andere traditionelle auf tiefem Lernen basierende und andere fortgeschrittene Klassifikatoren erzielt.
Tang et al. (Sat,) haben diese Frage untersucht.