Извлечение глубоких признаков и классификация гиперспектральных изображений на основе сверточных нейронных сетей

В связи с преимуществами глубокого обучения в данной работе предложен регуляризованный метод извлечения глубоких признаков для классификации гиперспектральных изображений (HSI) с использованием сверточной нейронной сети (CNN). Предложенный подход использует несколько сверточных и пуллинговых слоев для извлечения глубоких признаков из HSI, которые являются нелинейными, дискриминативными и инвариантными. Эти признаки полезны для классификации изображений и обнаружения целей. Для решения распространённой проблемы несоответствия между высокой размерностью и ограниченной доступностью обучающих образцов при классификации HSI исследуются такие стратегии, как L2-регуляризация и dropout, чтобы избежать переобучения при моделировании классовых данных. Более того, предлагается модель извлечения признаков на основе 3-D CNN с комбинированной регуляризацией для выделения эффективных спектрально-пространственных признаков гиперспектральных изображений. Наконец, для дальнейшего повышения производительности предложен метод увеличения виртуальными образцами. Предложенные подходы протестированы на трёх широко используемых наборах гиперспектральных данных: Indian Pines, University of Pavia и Kennedy Space Center. Полученные результаты показывают, что предложенные модели с разреженными ограничениями обеспечивают сопоставимые с современными методами показатели. Кроме того, предложенное глубокое извлечение признаков открывает новые направления для дальнейших исследований.