Resumen

En la actualidad, la clasificación de la imagen hiperespectral (HSI) basada en la red neuronal convolucional profunda ha avanzado considerablemente. Debido a la alta dimensionalidad de las características espectrales, las muestras limitadas de verdad terrestre y la alta no linealidad de los datos hiperespectrales, la clasificación efectiva de HSI basada en redes neuronales convolucionales profundas sigue siendo difícil. En este artículo se propone una nueva estructura de red neuronal convolucional profunda, denominada red residual híbrida de profundidad separable, para la clasificación de HSI, llamada HDSRN. El modelo HDSRN combina de manera orgánica CNN 3D, CNN 2D, red multirresidual ROR y convoluciones de profundidad separable para extraer características abstractas más profundas. Por un lado, debido a la adición de estructuras multirresiduales y conexiones de salto, este modelo puede aliviar el problema de sobreajuste, ayudar a la retropropagación de gradientes y extraer características de manera más completa. Por otro

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Clasificación; Imagen hiperespectral; Red convolucional profunda; HDSRN; Red multirresidual; Característica espacial
• Keywords:Classification; Hyperspectral image; Deep convolutional network; HDSRN; Multiresidual network; Spatial feature