بهبود دقت طبقه‌بندي تصاوير ابرطيفي با استفاده از شبكه‌هاي عصبي پيچشي

طبقه‌بندي تصاوير ابرطيفي اهميت زيادي در تجزيه و تحليل تصاوير سنجش از دور دارند. روش‌هاي يادگيري عميق با موفقيت براي طبقه‌بندي داده‌هاي سنجش از دور مورد استفاده قرار گرفته‌اند. در سال هاي اخير، شبكه هاي عصبي پيچشي(CNNs) كاربرد قابل ملاحظه‌اي در طبقه‌بندي تصاوير ابرطيفي داشته اند كه هر يك سعي در غلبه بر چالش هاي محاسباتي و پردازشي داده هاي ابرطيفي داشته اند. با افزايش تعداد پارامترها و لايه هاي شبكه هاي عصبي پيچشي كارايي آن‌ها در حل مسائل پيچيده كاهش مي يابد. به‌همين دليل در مقاله حاضر يك معماري جديد از شبكه هاي عصبي پيچشي معرفي شده است تا علاوه بر داشتن عملكرد بالاي شبكه، زمان محاسباتي را نيز به‌صورت چشمگيري كاهش دهد. در روش پيشنهادي از اطلاعات طيفي-مكاني به عنوان ورودي شبكه و به جهت كاهش باندهاي طيفي از فرآيند آناليز مولفه‌هاي اصلي استفاده مي‌شود. همچنين براي جلوگيري از بيش برازش از تركيب نرمال‌سازي بسته‌اي و حذف تصادفي استفاده مي‌گردد. در اين روش شبكه عصبي پيچشي دو بعدي شامل لايه‌هاي پيچشي، لايه‌هاي ادغام و لايه‌هاي كاملا متصل مي‌باشد. علاوه بر استفاده از آناليز مولفه‌هاي اصلي، يافتن پنجره مناسب در روش پيشنهادي مورد توجه قرار گرفته است. جهت مقايسه مدل پيشنهادي با ديگر معماري‌ها، آزمايش هاي اين مقاله بر مجموعه داده هاي ايندين‌پاينس، دانشگاه پاويا و ساليناس صورت گرفته است. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي علاوه بر داشتن درصد دقت بالاي موفقيت (۱۰۰درصد) در طبقه‌بندي و مدت زمان كمتر، داراي پيچيدگي كمتري نسبت به مدل‌هاي موجود مي‌باشد.