Uma revisão sistemática abrangente dos métodos de deep learning para classificação de imagens hiperespectrais

O notável crescimento dos algoritmos de deep learning (DL) em imagens hiperespectrais (HSIs) nos últimos anos tem atraído muita atenção na pesquisa. Este estudo examina e analisa mais de 250 avanços recém-propostos, a maioria a partir de 2019, focados em métodos de DL para classificação de HSI. Inicialmente, foi realizada uma meta-análise para analisar a literatura de ponta, seguida de uma investigação aprofundada do desempenho de modelos de DL em conjuntos de dados hiperespectrais de referência. Oferece um entendimento adequado de como os modelos de DL são empregados com as melhorias sugeridas e avalia o desempenho desses modelos de última geração. Investiga a acurácia dos conjuntos de dados hiperespectrais de referência aplicando os modelos de DL recém-propostos. Este estudo discute os desafios enfrentados pelos pesquisadores e as soluções propostas. Em particular, a escassez de conjuntos de dados hiperespectrais não tradicionais com rótulos impede o desempenho de novos algoritmos de DL. Como resultado, este artigo esclarece os modos de treinamento supervisionado, semissupervisionado e não supervisionado empregados pelos modelos e analisa o desempenho dos modelos de DL ao utilizá-los.