بهبود طبقه‌بندي تصاوير ابرطيفي با استفاده از مدل تركيبي شبكه‌هاي كپسول و درخت تصميم تقويتي

با گسترش دانش سنجش از دور، استفاده از تصاوير هايپراسپكترال روزبه‌روز افزايش و عموميت مي‌يابد. طبقه‌بندي يكي از محبوب‌ترين موضوعات در سنجش از دور ابرطيفي است. طي دو دهه‌ گذشته، روش‌هاي بسياري براي مقابله با مشكل طبقه‌بندي داده‌هاي هايپراسپكترال پيشنهاد شده است. در پژوهش حاضر، ساختاري مبتني‌بر يادگيري شبكه‌هاي كپسول براي طبقه‌بندي تصاوير ابرطيفي به‌كار رفته است؛ به‌گونه‌اي كه ساختار شبكه بتواند، با استفاده از يك لايه‌ كانولوشني و يك لايه‌ كپسول، بهترين حالت توليد ويژگي‌ها را داشته باشد و درعين‌حال از بيش‌برازش شبكه روي نمونه‌هاي آموزشي جلوگيري كند. نتايج به‌دست‌آمده نشان از كيفيت بالاي ويژگي‌هاي توليدي در ساختار پيشنهادي دارد. درراستاي بهبود دقت طبقه‌بندي، رويكرد استخراج ويژگي ازطريق شبكه‌ طراحي‌شده و طبقه‌بندي با استفاده از الگوريتم درخت تقويتي XGBoost، با روش طبقه‌بندي ازطريق شبكه‌ عميق سراسري مقايسه شد تا، علاوه‌بر بررسي و كيفيت‌سنجي ويژگي‌هاي عميق برداري توليدي به‌روش پيشنهادي در طبقه‌بندي‌كننده‌هاي گوناگون، ميزان توانايي شبكه‌هاي عميق سراسري نيز، در كاربرد طبقه‌بندي، بررسي شود. رويكرد كپسول پيشنهادي شامل سه لايه‌ اصلي است: 1)  Prime با كپسول‌هايي به‌اندازه‌ 8 و 32 فيلتر 9×9 و گام حركتي 2؛ 2) Digitcaps داراي دَه كپسول شانزده‌بعدي؛ 3) لايه‌ تماماً متصل. نتايج بررسي دو رويكرد براي شبكه‌ عميق و نيز تركيب شبكه‌هاي كپسول با الگوريتم درخت تقويتي XGBoost مقايسه شد. رويكردهايي همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh براي مقايسه‌ رويكرد پيشنهادي براساس پيكربندي‌هايي درنظر گرفته شدند كه در تحقيقات به آنها اشاره شده بود. براي ارزيابي مدل پيشنهادي، مجموعه داده‌ Indian Pines نيز، شامل شانزده كلاس متفاوت، به‌كار رفت. با استفاده از روش پيشنهادي تركيبي، طبقه‌بندي تصاوير با دقت 99% روي‌داده‌هاي آموزش و دقت 97.5% روي ‌داده‌هاي تست انجام مي‌شود.