Глубокое обучение для классификации гиперспектральных изображений: обзор

Классификация гиперспектральных изображений (HSI) стала актуальной темой в области дистанционного зондирования. В целом сложные характеристики гиперспектральных данных затрудняют их точную классификацию традиционными методами машинного обучения. Кроме того, при гиперспектральной съемке часто имеет место по своей природе нелинейная связь между регистрируемой спектральной информацией и соответствующими материалами. В последние годы глубокое обучение признано эффективным инструментом извлечения признаков для решения нелинейных задач и широко применяется в ряде задач обработки изображений. Вдохновлённые этими успешными применениями, методы глубокого обучения были также внедрены для классификации HSI и показали хорошие результаты. В этой обзорной статье представлен систематический обзор литературы по классификации HSI на основе глубокого обучения и сопоставлены различные стратегии в этой области. Конкретно, мы сначала суммируем основные проблемы классификации HSI, которые не могут быть эффективно преодолены традиционными методами машинного обучения, и также описываем преимущества глубокого обучения для решения этих задач. Затем мы строим рамочную структуру, которая делит соответствующие работы на сети спектральных признаков, сети пространственных признаков и спектрально-пространственные сети признаков для систематического обзора недавних достижений в классификации HSI на основе глубокого обучения. Кроме того, учитывая факт того, что доступные обучающие образцы в области дистанционного зондирования обычно крайне ограничены, тогда как обучение глубоких сетей требует большого числа образцов, мы включаем некоторые стратегии для повышения качества классификации, которые могут служить руководством для будущих исследований в этой области. Наконец, в наших экспериментах несколько представительных методов классификации на основе глубокого обучения были протестированы на реальных HSI.