Hyperspektrale Bildklassifizierung mit hybriden 3D-2D-Konvolutionalen Neuralen Netzwerken

Aufgrund der einzigartigen Eigenschaft des dreidimensionalen konvolutionalen neuronalen Netzwerks wird es in der Bildklassifizierung eingesetzt. Es gibt einige Probleme wie Rauschen, Mangel an gekennzeichneten Proben, die Neigung zum Überanpassen, sowie einen Mangel an der Extraktion spektraler und räumlicher Merkmale, die die Klassifizierung herausgefordert haben. Unter den genannten Problemen ist der Mangel an experimentellen Proben das Hauptproblem, das in den letzten Jahren zur Lösung der Methoden verwendet wurde. Darunter wurden auf konvolutionalen neuronalen Netzwerken basierende Algorithmen als beliebte Option für die Analyse hyperspektraler Bilder vorgeschlagen, aufgrund ihrer Fähigkeit, nützliche Merkmale zu extrahieren und ihrer hohen Leistung. Die traditionellen auf konvolutionalen neuronalen Netzwerken (CNN) basierenden Methoden nutzen hauptsächlich das zweidimensionale CNN zur Merkmalsextraktion, was die Interbandkorrelationen von HSIs ungenutzt lässt. Das 3-D-CNN extrahiert die gemeinsame spektral-räumliche Informationsdarstellung, hängt jedoch von einem komplexeren Modell ab. Um diese Probleme anzugehen, verwendet der Bericht einen 3-D-Schnelllernblock (tiefe separierbare Faltungsblöcke und einen schnellen Faltungsblock), gefolgt von einem 2-D konvolutionalen neuronalen Netzwerk, das zur Extraktion von spektral-räumlichen Merkmalen eingeführt wurde. Die Verwendung eines hybriden CNN reduziert die Komplexität des Modells im Vergleich zur alleinigen Verwendung von 3-D-CNN und kann auch gut gegen Rauschen und eine begrenzte Anzahl an Trainingsproben bestehen. Darüber hinaus werden eine Reihe von Optimierungsmethoden, einschließlich Batch-Normalisierung, Dropout, exponentieller Abnahme der Lernrate und L2-Regularisierung, angewendet, um das Problem des Überanpassens zu mildern und die Klassifikationsergebnisse zu verbessern. Um die Leistung dieser hybriden Methode zu testen, wird sie auf den Datensätzen Salinas, University Pavia und Indian Pines durchgeführt, und die Ergebnisse werden mit den tiefen Lernmodellen 2-D-CNN und 3-D-CNN mit der gleichen Anzahl von Schichten verglichen.