Reconnaissance d'image hyperspectrale utilisant une recherche hiérarchique d'architecture neurale à partir d'une image instantanée

L'imagerie hyperspectrale est une modalité d'imagerie prometteuse et a suscité une attention croissante de la recherche par le biais de la détection compressive, telle que l'imagerie spectrale instantanée à ouverture codée (CASSI), pour capturer simultanément une abondance d'informations dans les domaines spatial, spectral et temporel. La reconstruction d'image hyperspectrale (HSI) dans le CASSI vise à récupérer le signal 3D original à partir de la capture instantanée 2D compressée. Récemment, l'apprentissage profond a été largement utilisé pour la reconstruction HSI via la conception manuelle d'architectures de réseaux, ce qui entraîne généralement des modèles compliqués et massivement computationnels, difficiles à intégrer dans les systèmes d'imagerie réels. Cette étude vise à tirer parti de la recherche d'architecture de réseau pour concevoir automatiquement des architectures de réseau efficaces et efficientes pour la reconstruction HSI. Plus particulièrement, nous exploitons des stratégies de recherche basées sur le gradient et préparons des opérations optionnelles (cellules) avec un champ réceptif adaptable tel que des couches de convolution dilatées et déformables pour construire un espace de recherche hiérarchique flexible. En partageant des cellules au sein de différents niveaux de caractéristiques et en utilisant une technique d'arrêt précoce, nous obtenons une stratégie NAS efficace en termes de calcul et de mémoire pour concevoir automatiquement un modèle léger efficace pour la reconstruction HSI. D'amples résultats expérimentaux ont démontré que l'architecture de réseau obtenue par notre NAS proposé a une taille de modèle beaucoup plus petite et un coût computationnel inférieur tout en produisant de meilleures performances ou des performances comparables en reconstruction HSI par rapport aux méthodes de pointe.