Una CNN con Convolución Multiescalar y Métrica Diversificada para la Clasificación de Imágenes Hiperespectrales

Recientemente, los investigadores han demostrado la poderosa capacidad de los métodos profundos con múltiples capas para extraer características de alto nivel y obtener un mejor rendimiento en la clasificación de imágenes hiperespectrales. Sin embargo, un problema común de los modelos profundos tradicionales es que los modelos aprendidos pueden ser subóptimos debido al número limitado de muestras de entrenamiento, especialmente para imágenes con alta varianza intraclase y baja varianza interclase. En este documento, se proponen redes neuronales convolucionales (CNNs) novedosas con convolución multiescalar (MS-CNNs) para abordar este problema extrayendo características profundas multiescalares de la imagen hiperespectral. Además, métricas profundas suelen acompañar a las MS-CNNs para mejorar la capacidad representacional de la imagen hiperespectral. Sin embargo, el aprendizaje de métricas usual haría que los parámetros métricos en el modelo aprendido tiendan a comportarse de manera similar. Esta similitud conduce a una evidente redundancia en el modelo y, por lo tanto, muestra efectos negativos en la capacidad de descripción de las métricas profundas. Tradicionalmente, se pueden imponer priors de procesos de puntos determinantes (DPP) sobre estos factores, lo que fomenta que los factores aprendidos se repelan entre sí, diversificándolos. Aprovechando tanto las MS-CNNs como las métricas profundas basadas en DPP que promueven la diversidad, este documento desarrolla una CNN con convolución multiescalar y métrica diversificada para obtener características discriminativas para la clasificación de imágenes hiperespectrales. Se realizan experimentos sobre cuatro conjuntos de datos de imágenes hiperespectrales del mundo real para mostrar la efectividad y aplicabilidad del método propuesto. Los resultados experimentales muestran que nuestro método es mejor que los modelos profundos originales y puede producir un rendimiento de clasificación comparable o incluso mejor en diferentes conjuntos de datos de imágenes hiperespectrales con respecto a características espectrales y espectral-espaciales.