Методы глубокого обучения для анализа гиперспектральных изображений в сельском хозяйстве: обзор

В последние годы все большее внимание уделяется оценке и обеспечению качества садоводческой и сельскохозяйственной продукции. Традиционные методы, включающие полевые измерения, исследования и статистический анализ, требуют значительных затрат труда и времени и являются дорогостоящими. В качестве решения была предложена гиперспектральная визуализация (HSI) — неразрушающая и экологически безопасная технология. HSI приобрела значительную популярность как новая технология, особенно благодаря перспективности ее применения в дистанционном зондировании, в частности в сельском хозяйстве. Однако классификация данных HSI чрезвычайно сложна, поскольку связана с рядом проблем, включая избыточность спектральных каналов, недостаток обучающих выборок и сложную нелинейную взаимосвязь между пространственными координатами и спектральными каналами. В частности, методы глубокого обучения (DL) продемонстрировали высокую эффективность в различных задачах анализа HSI, включая задачи в сельском хозяйстве. По мере роста интереса к использованию данных HSI для сельскохозяйственных приложений с помощью методов DL возникает острая потребность в комплексном обзоре, который мог бы эффективно ориентировать исследователей в вопросах значительного прогресса, достигнутого в этой области, и перспективных направлений дальнейших исследований. В данном обзоре литературы систематически собраны, проанализированы и обсуждены результаты недавних исследований, в которых применялись методы DL. Эти методы охватывают широкий спектр подходов: от автоэнкодеров (AE) до сверточных нейронных сетей (CNN) (в конфигурациях 1D, 2D и 3D), рекуррентных нейронных сетей (RNN), глубоких сетей доверия (DBN), генеративно-состязательных сетей (GAN), переноса обучения (TL), обучения с частичной разметкой (SSL), обучения на малом числе примеров (FSL) и активного обучения (AL). Эти подходы адаптированы для решения специфических задач анализа сельскохозяйственных гиперспектральных данных. В обзоре оцениваются и обсуждаются показатели эффективности, продемонстрированные различными подходами. С этой целью эффективность данных подходов была тщательно проанализирована и обсуждена...