Resumen

Las imágenes hiperespectrales son un área de investigación activa con muchas aplicaciones en la teledetección, la exploración de minerales y la supervisión medioambiental. El aprendizaje profundo y, en particular, los enfoques basados en la convolución son los modelos de clasificación más avanzados actualmente. Sin embargo, en presencia de conjuntos de datos hiperespectrales ruidosos, estas redes neuronales convolucionales profundas tienen un rendimiento inferior. En este trabajo, proponemos un enfoque de aumento de características para aumentar la resistencia al ruido en la clasificación hiperespectral desequilibrada. Nuestro método calcula características basadas en el contexto y utiliza una red neuronal convolucional profunda (DCN). Probamos nuestro enfoque propuesto en los conjuntos de datos de Pavia y comparamos tres modelos, DCN, PCA DCN y nuestro DCN basado en el contexto, utilizando los conjuntos de datos originales y los conjuntos de datos más ruido. Nuestros resultados experimentales muestran que el DCN y el PCA DCN funcionan bien en los conjuntos de datos originales, pero no en los conjuntos de datos con ruido. Nuestra DCN robusta basada en el contexto fue capaz de superar a las demás en presencia de ruido y fue capaz de mantener una precisión de clasificación comparable en imágenes hiperespectrales limpias.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:dcn basado, conjuntos de datos originales, dcn, clasificación hiperespectral desequilibrada, red neuronal convolucional, enfoque de aumento de características, modelo de clasificación artística, presencia de ruido, conjuntos de datos hiperespectrales ruidosos, imagen hiperespectral limpia
• Keywords:based dcn, original datasets, dcn, imbalanced hyperspectral classification, convolutional neural network, features augmentation approach, art classification model, presence of noise, noisy hyperspectral datasets, clean hyperspectral image