Key points are not available for this paper at this time.
A classificação de imagens hiperespectrais tem sido um tópico ativo de pesquisa. Nos últimos anos, foi encontrado que os dados de detecção e distância a laser (LiDAR) fornecem uma fonte de informações complementares que podem ajudar significativamente na classificação de dados hiperespectrais, em particular quando é difícil separar classes complexas. Isso ocorre porque, além das informações espaciais e espectrais fornecidas pelos dados hiperespectrais, o LiDAR pode fornecer informações muito valiosas sobre a altura da área pesquisada, que podem ajudar na discriminação de classes e sua separação. No passado, vários esforços foram investigados para a fusão de dados hiperespectrais e LiDAR, com alguns esforços orientados pelas informações morfológicas que podem ser derivadas de ambas as fontes de dados. No entanto, um dos principais desafios para as abordagens de aprendizado é como explorar a informação proveniente de múltiplas características. Especificamente, foi encontrado que uma simples concatenação ou empilhamento de características, como perfis de atributos morfológicos (APs), pode conter informações redundantes. Além disso, um aumento significativo no número de características pode levar a entradas de recursos de dimensão muito alta. Isso contrasta com o número limitado de amostras de treinamento frequentemente disponíveis em aplicações de sensoriamento remoto, o que pode levar ao efeito Hughes. Neste trabalho, desenvolvemos uma nova estratégia eficiente para fusão e classificação de dados hiperespectrais e LiDAR. Nossa abordagem foi projetada para integrar múltiplos tipos de características extraídas desses dados. Uma característica importante da abordagem apresentada é que não requer nenhum parâmetro de regularização, para que diferentes tipos de características possam ser explorados e integrados de forma colaborativa e flexível. Nossos resultados experimentais, realizados utilizando uma imagem hiperespectral e um modelo de superfície digital (DSM) derivado de LiDAR coletado sobre o campus da Universidade de Houston e a área urbana vizinha, indicam que a estrutura proposta para o aprendizado de múltiplas características fornece resultados de classificação de última geração.
Khodadadzadeh et al. (Mon,) estudaram essa questão.