Bosque de Rotación Profunda Ponderado Basado en SMOTE para la Clasificación de Datos Hiperespectrales Imbales

Los algoritmos de clasificación convencionales han mostrado gran éxito en la clasificación de datos hiperespectrales balanceados. Sin embargo, la distribución de clases desequilibrada es un problema fundamental de los datos hiperespectrales y se considera uno de los grandes desafíos en las tareas de clasificación. Para resolver este problema, se propone en este trabajo un aprendizaje profundo no basado en ANN, a saber, Bosque de Rotación Profunda Ponderado Basado en SMOTE (SMOTE-WDRoF). Primero, se introducen los píxeles vecinos de las instancias como la información espacial y se crean conjuntos de datos balanceados utilizando el algoritmo SMOTE. En segundo lugar, estos conjuntos de datos se alimentan al modelo WDRoF que consta del bosque de rotación y los bosques aleatorios en cascada de múltiples niveles. Específicamente, el bosque de rotación se utiliza para generar vectores de características de rotación, que se introducen en el bosque en cascada posterior. Además, la probabilidad de salida de cada nivel y los datos originales se apilan como el conjunto de datos del siguiente nivel. Y los pesos de las muestras se ajustan automáticamente de acuerdo con la función de peso dinámica construida por los resultados de clasificación de cada nivel. En comparación con los enfoques tradicionales de aprendizaje profundo, el método propuesto consume mucho menos tiempo de capacitación. Los resultados experimentales en cuatro conjuntos de datos hiperespectrales públicos demuestran que el método propuesto puede obtener un mejor rendimiento que la máquina de soporte vectorial, el bosque aleatorio, el bosque de rotación, el bosque de rotación combinado con SMOTE, la red neuronal convolucional y el bosque profundo basado en rotación en el aprendizaje de clasificación múltiple desequilibrada.