Una nuova rete neurale convoluzionale profonda per una rapida classificazione delle immagini iperspettrali

Le reti neurali artificiali (ANNs) sono state ampiamente utilizzate per l’analisi delle immagini telerilevate. In particolare, le reti neurali convoluzionali (CNN) stanno guadagnando sempre più attenzione in questo campo. Le CNN hanno dimostrato di essere molto efficaci in aree come il riconoscimento e la classificazione delle immagini, specialmente per la classificazione di grandi insiemi composti da immagini bidimensionali. Tuttavia, la loro applicazione alle immagini multispettrali e iperspettrali affronta alcune sfide, soprattutto legate all’elaborazione delle informazioni ad alta densità contenute nei cubi di dati multidimensionali. Questo si traduce in un aumento significativo del tempo di calcolo. In questo articolo, presentiamo una nuova architettura CNN per la classificazione delle immagini iperspettrali. La CNN proposta è una rete 3-D che utilizza sia le informazioni spettrali che quelle spaziali. Implementa inoltre una strategia di mirroring dei confini per elaborare efficacemente le aree di confine nell’immagine, ed è stata implementata in modo efficiente utilizzando unità di elaborazione grafica (GPU). I nostri risultati sperimentali indicano che la rete proposta funziona in modo accurato ed efficiente, ottenendo una riduzione del tempo di calcolo e aumentando la precisione nella classificazione delle immagini iperspettrali rispetto ad altre tecniche ANN tradizionali.