Resumen

La clasificación es un tema candente en la comunidad de teledetección hiperespectral. En las últimas décadas, se han dedicado numerosos esfuerzos al problema de la clasificación. La mayoría de los estudios e investigaciones existentes siguen el paradigma convencional de reconocimiento de patrones, que se basa en características complejas elaboradas a mano. Sin embargo, rara vez se sabe qué características son importantes para el problema. En este trabajo se propone un nuevo esqueleto de clasificación basado en el aprendizaje automático profundo para datos hiperespectrales. El marco de clasificación propuesto, que se compone de una red neuronal de convolución profunda de momento exponencial y una máquina de vectores de soporte (SVM), puede construir jerárquicamente características espectrales-espaciales de alto nivel de forma automatizada. Los resultados experimentales y la validación cuantitativa en conjuntos de datos ampliamente utilizados muestran el potencial del enfoque desarrollado para la clasificación precisa de datos hiperespectrales.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:clasificación precisa de datos hiperespectrales, paradigma convencional de reconocimiento de patrones, aprendizaje automático profundo, nuevo esqueleto de clasificación, máquina de vectores soporte, resultados experimentales, marco de clasificación, problema de clasificación, convolución profunda, impulso exponencial
• Keywords:accurate hyperspectral data classification, conventional pattern recognition paradigm, deep machine learning, new classification skeleton, support vector machine, experimental results, classification framework, classification problem, deep convolution, exponential momentum