Классификация гиперспектральных изображений — от традиционных методов к глубоким моделям: обзор и перспективы

Гиперспектральная съемка (HSI) широко применяется во многих практических задачах благодаря подробной спектральной информации, содержащейся в каждом пикселе. В то же время сложные характеристики, т.е. нелинейная связь между зарегистрированной спектральной информацией и соответствующими объектами на HSI-данных, затрудняют точную классификацию традиционными методами. За последние годы глубокое обучение (DL) зарекомендовало себя как мощный извлекатель признаков, эффективно решающий нелинейные задачи, возникающие в ряде задач компьютерного зрения. Это привело к использованию DL для классификации гиперспектральных изображений (HSIC), показавшей хорошую производительность. В данном обзоре представлен систематический обзор применения DL для HSIC и сравнительный анализ современных подходов по этой теме. В первую очередь мы суммируем основные проблемы традиционного машинного обучения (TML) для HSIC и затем описываем преимущества DL в решении этих проблем. Статья разбивает современные DL-структуры на спектральные признаки, пространственные признаки и комбинированные пространственно-спектральные признаки для систематического анализа достижений и указания направлений будущих исследований в области HSIC. Кроме того, принимается во внимание, что DL требует большого числа размеченных обучающих примеров, тогда как их получение для HSIC затруднено с точки зрения времени и затрат; поэтому в обзоре обсуждаются стратегии повышения обобщающей способности DL-методов и даются рекомендации для последующих исследований.