Resumen

En los últimos años, los algoritmos de aprendizaje basados en marcos de convolución profunda han ido convirtiéndose gradualmente en los puntos de investigación más candentes en tareas de clasificación de imágenes hiperespectrales. Sin embargo, en el proceso de clasificación, los problemas de alta dimensionalidad con grandes cantidades de datos y redundancia de características con correlación interspectral de las imágenes hiperespectrales no han sido resueltos de manera eficiente. Por lo tanto, este artículo investiga la reducción de dimensionalidad de datos y la extracción de características, y propone un novedoso algoritmo de mecanismo de atención cruzada denso multiscale con agrupación de covarianza (MDCA-CP) para la clasificación de escenas de imágenes hiperespectrales. El módulo de convolución de multisize puede detectar cambios sutiles en las dimensiones espaciales y espectrales de las imágenes hiperespectrales entre los píxeles en las áreas locales y son adecuados para extraer datos hiperespectrales con tipos de estructuras complejas y diversas. Para los algoritmos tradicionales que asignan pesos de atención de manera unidireccional, lo que conduce a la pérdida de información de características, el mecanismo de atención cruzada denso propuesto en este estudio puede distribuir conjuntamente los pesos de atención horizontal y verticalmente para capturar eficientemente las características más representativas. Además, este estudio también utiliza agrupación de covarianza para extraer aún más las características de las imágenes hiperespectrales del segundo orden. Se han realizado experimentos en tres conjuntos de datos hiperespectrales bien conocidos, y los resultados obtenidos muestran que el algoritmo MDCA-CP es superior en comparación con los otros métodos bien conocidos.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Algoritmos de aprendizaje; Marcos de convolución profunda; Clasificación de imágenes hiperespectrales; Reducción de la dimensionalidad de los datos; Extracción de características; Mecanismo multiescala de atención cruzada densa
• Keywords:Learning algorithms; Deep convolution frameworks; Hyperspectral image classification; Data dimensionality reduction; Feature extraction; Multiscale dense cross-attention mechanism