Classification efficace des images hyperspectrales à l'aide de l'apprentissage des relations multiscales

La classification des images hyperspectrales (HSI) est devenue un domaine d'intérêt majeur dans la télédétection et a incité à l'exploration de plusieurs approches ces dernières années. En raison de ses fortes capacités d'extraction de caractéristiques, l'apprentissage profond est devenu populaire; cependant, en raison de sa faible capacité discriminative, les méthodes traditionnelles produisent souvent des résultats inférieurs. De plus, le manque de données étiquetées rend difficile l'obtention d'une haute précision de classification avec de petites tailles d'échantillons dans la classification HSI. Cette étude propose une nouvelle méthode qui combine des réseaux de neurones convolutionnels (CNN) avec différentes techniques d'apprentissage des caractéristiques pour résoudre ces problèmes. Le modèle crée des cartes de caractéristiques pertinentes pour chaque caractéristique d'entrée en alimentant une architecture CNN personnalisée avec une large variété de caractéristiques directement récupérées à partir d'images brutes. Ces cartes de caractéristiques conjointes sont ensuite utilisées par des couches supplémentaires pour prédire les étiquettes finales pour chaque pixel de l'image hyperspectrale, et cette méthode tire parti des capacités d'extraction de caractéristiques améliorées des CNN tout en combinant efficacement les informations spectrales et spatiales pour maximiser le potentiel discriminant des caractéristiques générées. Le développement de la technologie d'imagerie hyperspectrale, qui permet aux capteurs de prendre des images dans des centaines de bandes, souligne l'importance de la classification des images hyperspectrales pour les applications de télédétection. Cette technologie est utile dans de nombreux domaines différents, tels que la surveillance des catastrophes géologiques, la reconnaissance militaire, la surveillance de la végétation et de l'écologie, et l'évaluation atmosphérique. Avec l'apprentissage des relations multiscales, nous avons atteint un taux de précision de 96,13 % et un rappel de 82,6 %.