Uma nova rede neural convolucional profunda para classificação de imagens hiperespectrais rápidas

Redes neurais artificiais (ANNs) têm sido amplamente utilizadas para a análise de imagens de sensoriamento remoto. Em particular, as redes neurais convolucionais (CNNs) estão ganhando cada vez mais atenção nesse campo. As CNNs têm se mostrado muito eficazes em áreas como reconhecimento e classificação de imagens, especialmente para a classificação de grandes conjuntos compostos por imagens bidimensionais. No entanto, sua aplicação a imagens multiespectrais e hiperespectrais enfrenta alguns desafios, especialmente relacionados ao processamento da informação de alta dimensão contida nos cubos de dados multidimensionais. Isto resulta em um aumento significativo no tempo de computação. Neste trabalho, apresentamos uma nova arquitetura CNN para a classificação de imagens hiper-espectrais. A CNN proposta é uma rede 3-D que utiliza tanto informação espectral como espacial. Ela também implementa uma estratégia de espelhamento de bordas para efetivamente processar áreas de fronteira na imagem, e tem sido eficientemente implementada usando unidades de processamento gráfico (GPUs). Nossos resultados experimentais indicam que a rede proposta tem um desempenho preciso e eficiente, conseguindo uma redução do tempo de computação e aumentando a precisão na classificação das imagens hiperespectrais quando comparadas com outras técnicas tradicionais de ANN.