Ett nytt djupt konvolutionellt neuralt nätverk för snabb klassificering av hyperspektrala bilder

Konstnärliga neurala nätverk (ANN) har använts i stor utsträckning för analys av fjärranalyserade bilder. Framför allt får konvolutionella neurala nätverk (CNN) allt mer uppmärksamhet på detta område. CNN har visat sig vara mycket effektiva inom områden som bildigenkänning och bildklassificering, särskilt för klassificering av stora mängder av tvådimensionella bilder. Tillämpningen på multispektrala och hyperspektrala bilder står dock inför vissa utmaningar, särskilt när det gäller behandlingen av den högdimensionella information som finns i multidimensionella datakuber. Detta leder till en betydande ökning av beräkningstiden. I den här artikeln presenterar vi en ny CNN-arkitektur för klassificering av hyperspektrala bilder. Det föreslagna CNN är ett 3D-nätverk som använder både spektral och rumslig information. Det implementerar också en strategi för spegling av gränser för att effektivt bearbeta gränsområden i bilden, och har effektivt implementerats med hjälp av grafikprocessorer (GPU:er). Våra experimentella resultat visar att det föreslagna nätverket fungerar korrekt och effektivt och att det minskar beräkningstiden och ökar noggrannheten i klassificeringen av hyperspektrala bilder jämfört med andra traditionella ANN-tekniker.