A new deep convolutional neural network for fast hyperspectral image classification

Artificial neural networks (ANNs) have been widely used for the analysis of remotely sensed imagery. W szczególności konwolucyjne sieci neuronowe (CNN) zdobywają coraz większą uwagę w tej dziedzinie. Sieci CNN okazały się bardzo efektywne w takich dziedzinach jak rozpoznawanie i klasyfikacja obrazów, szczególnie w przypadku klasyfikacji dużych zbiorów składających się z obrazów dwuwymiarowych. Jednak ich zastosowanie do obrazów wielospektralnych i hiperspektralnych napotyka na pewne wyzwania, związane przede wszystkim z przetwarzaniem wielowymiarowej informacji zawartej w wielowymiarowych kostkach danych. Powoduje to znaczny wzrost czasu obliczeń. W niniejszej pracy przedstawiamy nową architekturę CNN do klasyfikacji obrazów hiperspektralnych. Proponowana sieć CNN jest siecią trójwymiarową, która wykorzystuje zarówno informację spektralną jak i przestrzenną. Zaimplementowano w niej również strategię lustrzanego odbicia granic, aby efektywnie przetwarzać obszary graniczne w obrazie, i została ona wydajnie zaimplementowana przy użyciu procesorów graficznych (GPU). Nasze wyniki eksperymentalne wskazują, że proponowana sieć działa dokładnie i wydajnie, osiągając redukcję czasu obliczeń i zwiększając dokładność klasyfikacji obrazów hiperspektralnych w porównaniu do innych tradycyjnych technik ANN.