Nová hluboká konvoluční neuronová síť pro rychlou klasifikaci hyperspektrálních snímků

Umělé neuronové sítě (ANN) jsou široce využívány pro analýzu dálkově snímaných obrazů. Zejména konvoluční neuronové sítě (CNN) si v této oblasti získávají stále větší pozornost. CNN se ukázaly jako velmi účinné v oblastech, jako je rozpoznávání a klasifikace obrazů, zejména pro klasifikaci rozsáhlých souborů složených z dvourozměrných obrazů. Jejich aplikace na multispektrální a hyperspektrální obrazy však naráží na některé problémy, zejména v souvislosti se zpracováním vysokodimenzionálních informací obsažených ve vícerozměrných datových kostkách. To vede k výraznému prodloužení výpočetního času. V tomto článku představujeme novou architekturu CNN pro klasifikaci hyperspektrálních obrazů. Navrhovaná CNN je trojrozměrná síť, která využívá spektrální i prostorové informace. Implementuje také strategii zrcadlení hranic pro efektivní zpracování hraničních oblastí v obraze a byla efektivně implementována pomocí grafických procesorů (GPU). Naše experimentální výsledky ukazují, že navrhovaná síť pracuje přesně a efektivně, čímž dosahuje zkrácení výpočetního času a zvýšení přesnosti při klasifikaci hyperspektrálních obrazů ve srovnání s jinými tradičními technikami ANN.

.