Clustering spectral profond avec une intégration linéaire régularisée pour le clustering d'images hyperspectrales

La dernière décennie a vu le développement rapide des techniques d'apprentissage profond, en particulier pour des ensembles de données à grande échelle et complexes. Cependant, il reste un problème notable dans le traitement de la segmentation d'images hyperspectrales non supervisées, car l'inefficacité et les résultats trompeurs proviennent de l'absence d'informations supervisées. En général, le clustering spectral est l'un des algorithmes de clustering les plus puissants, car il surpasse souvent les autres méthodes pour la segmentation d'images. Malheureusement, la mauvaise évolutivité et la généralisation limitent sévèrement l'utilisation du clustering spectral, en particulier pour le traitement d'images hyperspectrales à grande échelle et en haute dimension. La principale motivation de ce travail est de résoudre ce problème, et nous avons conçu un nouvel algorithme, nommé Clustering Spectral Profond avec Intégration Linéaire Régularisée (DSCRLE), pour bénéficier à la fois de la théorie des graphes spectraux et des techniques d'apprentissage profond. La procédure consiste d'abord à construire un réseau neuronal entièrement connecté pour extraire des représentations de caractéristiques latentes, puis à normaliser les représentations de caractéristiques par la contrainte orthonormale spectrale. Enfin, en introduisant une intégration de basse dimension, nous avons affiné les sorties finales de tous les pixels hyperspectrales non labellisés donnés. Des expérimentations extensives ont démontré la compétitivité de la méthode proposée, qui surpasse les approches de clustering à la pointe de la technologie dans la tâche de segmentation d'images hyperspectrales.