자기 주도 학습을 통한 하이퍼스펙트럼 이미지 분류

본 논문에서는 하이퍼스펙트럼 이미지(HSI) 분류를 위한 자기 주도 학습을 연구합니다. 감독된 딥 러닝 방법은 현재 많은 기계 학습 문제에 대해 최첨단 기술이지만 이러한 방법들은 효과적으로 작동하기 위해 많은 양의 레이블이 있는 데이터가 필요합니다. 불행히도, 기존의 레이블이 있는 HSI 벤치마크는 깊은 감독 네트워크를 직접 훈련하기에는 너무 작습니다. 대안으로 우리는 레이블이 없는 하이퍼스펙트럼 이미지를 통해 피처 추출 프레임워크를 학습하는 비감독 방식인 자기 주도 학습을 사용했습니다. 이러한 모델들은 타겟 데이터 세트와 구별되는 충분히 큰 양의 레이블이 없는 데이터로 훈련하여 일반화 가능한 피처를 추출하는 방법을 학습합니다. 훈련이 완료된 후, 이러한 모델들은 더 작은 레이블이 있는 타겟 데이터 세트에서 피처를 추출할 수 있습니다. 우리는 HSI 분류를 위한 두 가지 자기 주도 학습 프레임워크를 연구했습니다. 첫 번째는 독립 성분 분석을 사용하는 얕은 접근 방식이고, 두 번째는 세 겹의 스택형 컨볼루션 오토인코더입니다. 우리의 모델은 서로 다른 고도에서 두 개의 별도의 센서로 촬영된 인디언 파인즈, 살리나스 밸리 및 파비아 대학교 데이터 세트에 적용되었습니다. 장면 유형의 큰 변동에도 불구하고, 우리의 알고리즘은 세 가지 데이터 세트 모두에서 최첨단 결과를 달성합니다.