Una nueva red neuronal convolucional profunda para la clasificación rápida de imágenes hiperespectrales

Las redes neuronales artificiales (RNA) han sido ampliamente utilizadas para el análisis de imágenes de teledetección. En particular, las redes neuronales convolucionales (CNN) están ganando cada vez más atención en este campo. Las CNN han demostrado ser muy eficaces en áreas como el reconocimiento y la clasificación de imágenes, especialmente para la clasificación de grandes conjuntos compuestos por imágenes bidimensionales. Sin embargo, su aplicación a imágenes multiespectrales e hiperespectrales se enfrenta a algunos retos, especialmente relacionados con el procesamiento de la información de alta dimensión contenida en los cubos de datos multidimensionales. Esto da lugar a un aumento significativo del tiempo de cálculo. En este trabajo, presentamos una nueva arquitectura de CNN para la clasificación de imágenes hiperespectrales. La CNN propuesta es una red tridimensional que utiliza tanto información espectral como espacial. Además, implementa una estrategia de reflejo de bordes para procesar eficazmente las zonas fronterizas de la imagen, y se ha implementado de forma eficiente utilizando unidades de procesamiento gráfico (GPU). Nuestros resultados experimentales indican que la red propuesta funciona con precisión y eficiencia, logrando una reducción del tiempo de cálculo y aumentando la precisión en la clasificación de imágenes hiperespectrales en comparación con otras técnicas tradicionales de RNA.