Ανάλυση υπερφασματικών δεδομένων με τεχνικές βαθιάς μάθησης

Abstract

Η ταξινόμηση Υπερφασματικών Εικόνων έχει εμφανιστεί σε ποικίλους τομείς τα τελευταία χρόνια, συμπεριλαμβανομένης της τηλεπισκόπισης. Παράλληλα, οι εξελίξεις στη Βαθιά Μάθηση και η επικράτηση του Συνελικτικού Νευρωνικού ∆ικτύου (ΣΝ∆) έχουν αλλάξει τα δεδομένα στην επεξεργασία των μη-δομημένων δεδομένων, ειδικά των οπτικών. Η εισαγωγή της έννοιας του Παραγωγικού Ανταγωνιστικού ∆ικτύου (ΠΑ∆) ήταν μια ακόμη πρωτοπορία, που επαναπροσδιόρισε την επαύξηση και τη σύνθεση δεδομένων. Παρατηρώντας ότι οι μέθοδοι εξαγωγής πληροφορίας από υπερφασματικές εικόνες επιβαρύνονται από ζητήματα που αφορούν αυτά τα δεδομένα, εντοπίζουμε και αντιμετωπίζουμε τρία μείζονα προβλήματα. Το πρώτο είναι η Κατάρα των Πολλών ∆ιαστάσεων, που οφείλεται στο μεγάλο όγκο του υπερφασματικού κύβου. Το επόμενο είναι η περιορισμένη διαθεσιμότητα δεδομένων, και το τελευταίο είναι το πρόβλημα της ανισορροπίας των κλάσεων, που είναι σύνηθες σε σύνολα υπερφασματικών δεδομένων. Προτείνουμε μία πλήρη μεθοδολογία για την ταξινόμηση υπερφασματικών εικόνων που αποτελείται από ένα βελτιωμένο ΣΝ∆ για χωρική και φασματική ταξινόμηση, έναν αλγόριθμο εξαγωγής χαρακτηριστικών για μείωση των διαστάσεων και ένα ΠΑ∆ για επαύξηση δεδομένων. Τρία σύνολα δεδομένων αναφοράς έχουν χρησιμοποιηθεί για να συγκριθεί η προτεινόμενη μεθοδολογία με άλλες βαθιές αρχιτεκτονικές ή μεθόδους. Αναλυτικές αξιολογήσεις αποδεικνύουν ότι επιτεύχθηκαν σημαντικές βελτιώσεις στην ακρίβεια ταξινόμησης. Το ΣΝ∆ φτάνει τις σύγχρονες επιδόσεις ενώ ταυτόχρονα αποφεύγονται συνήθεις πρακτικές που κοστίζουν υπολογιστικά. Η προεπεξεργασία των δεδομένων συμπληρώνει το μοντέλο της ταξινόμησης, λύνοντας ικανά τα τρία προβλήματα που απαντώνται συχνά.