Personnaliser les fonctions noyau pour la classification d'images hyperspectrales basée sur les SVM

Des recherches précédentes appliquant des méthodes de noyau telles que les machines à vecteurs de support (SVM) à la classification d'images hyperspectrales ont obtenu des performances compétitives avec les meilleurs algorithmes disponibles. Cependant, peu d'efforts ont été réalisés pour étendre les SVM afin de couvrir les exigences spécifiques de la classification d'images hyperspectrales, par exemple en construisant des noyaux sur mesure. L'observation d'images spectrales réelles provenant du capteur hyperspectral AVIRIS montre que l'information utile pour la classification n'est pas également répartie entre les bandes, ce qui offre un potentiel d'amélioration de la performance des SVM en explorant différentes fonctions noyau. Des noyaux pondérés spectralement sont donc proposés, et un ensemble de poids particuliers est choisi soit en optimisant une estimation de l'erreur de généralisation, soit en évaluant le niveau d'utilité de chaque bande. Pour évaluer l'efficacité de la méthode proposée, des expériences sont réalisées sur le jeu de données 92AV3C disponible publiquement, collecté à partir du capteur hyperspectral AVIRIS à 220 dimensions. Les résultats indiquent que la méthode est généralement efficace pour améliorer les performances : le poids spectral basé sur l'apprentissage des poids par descente de gradient s'est révélé légèrement meilleur qu'une méthode alternative basée sur l'estimation de la "pertinence" entre l'information de bande et la vérité de terrain.