Resumen

La clasificación de imágenes hiperespectrales (HSI, del inglés hyperspectral images) es una de las tareas más complejas de la detección remota hiperespectral. Varios algoritmos de aprendizaje de máquinas se han implementado en la clasificación de las HSI. Recientemente, varias arquitecturas basadas en redes neuronales convolucionales (CNN, del inglés Convolutional Neural Networks) se han desarrollado para esta clasificación de imágenes hiperespectrales. El objetivo de este estudio es evaluar el desempeño de las CNN y los algoritmos de máquinas de vectores de soporte y de bosque aleatorio con los conjuntos de datos HyRANK Loukia, Houston 2013 y Salinas Scene. Los resultados demuestran que el modelo Modified HybridSN CNN superó  a otros algoritmos en todos los conjuntos de datos de acuerdo con lo que demuestran varias métricas de evaluación de desempeño.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Clasificación de imágenes hiperespectrales; Máquina de vectores de soporte; Bosque aleatorio; Redes neuronales convolucionales; Houston 2013; HyRANK; Escena de Salinas
• Keywords:Hyperspectral image classification; Support vector machine; Random forest; Convolutional neural networks; Houston 2013; HyRANK; Salinas Scene