Resumen

Recientemente, las redes neuronales convolucionales han demostrado un excelente rendimiento en diversas tareas visuales, incluida la clasificación de imágenes bidimensionales comunes. En este trabajo, se emplean redes neuronales convolucionales profundas para clasificar imágenes hiperespectrales directamente en el dominio espectral. Más concretamente, la arquitectura del clasificador propuesto contiene cinco capas con pesos que son la capa de entrada, la capa convolucional, la capa de agrupación máxima, la capa de conexión completa y la capa de salida. Estas cinco capas se implementan en cada firma espectral para discriminar unas de otras. Los resultados experimentales basados en varios conjuntos de datos de imágenes hiperespectrales demuestran que el método propuesto puede lograr un mejor rendimiento de clasificación que algunos métodos tradicionales, como las máquinas de vectores de soporte y los métodos convencionales basados en aprendizaje profundo.

• Materias:Redes de sensores Sensores inalámbricos Sistema de sensores Sensor inteligente Sensores electroquímicos
• Subjects:Sensor networks Wireless sensors Sensor system Intelligent sensor Electrochemical sensors
• Palabras claves:redes neuronales convolucionales profundas, varios conjuntos de datos de imágenes hiperespectrales, mejor rendimiento de clasificación, aprendizaje profundo convencional, redes neuronales convolucionales, capa de conexión completa, capa de agrupación máxima, máquinas de vectores soporte, varias tareas visuales, capas
• Keywords:deep convolutional neural networks, several hyperspectral image data sets, better classification performance, conventional deep learning, convolutional neural networks, full connection layer, max pooling layer, support vector machines, various visual tasks, layers