تصنيف الصور فائقة الطيف باستخدام حقول ماركوف العشوائية وشبكة عصبية تلافيفية

يقدم هذا البحث خوارزمية تصنيف جديدة مراقبة للصور الطيفية الفائقة (HSI) التي تدمج المعلومات الطيفية والمكانية في إطار بيزاني موحد. أولاً، نصيغ مشكلة تصنيف الصور الطيفية الفائقة من منظور بيزاني. ثانياً، نعتمد على شبكة عصبية مت convoled (CNN) لتعلم التوزيعات اللاحقة للتصنيفات باستخدام استراتيجية تدريب قطعة بقطعة لاستخدام أفضل للمعلومات المكانية. ثالثاً، يتم الأخذ بعين الاعتبار المعلومات المكانية بشكل أكبر عن طريق وضع سابقة سلاسة مكانية على التسميات. أخيراً، نقوم بتحديث معلمات الشبكة العصبية المت convoled (CNN) بشكل تكراري باستخدام الانحدار التدرجي العشوائي (SGD)، ونقوم بتحديث تسميات جميع المتجهات البكسلية باستخدام خوارزمية القطع الأدنى القائمة على توسيع ألفا. بالمقارنة مع الأساليب الرائدة الأخرى، حققت الطريقة المقترحة أداءً أفضل في مجموعة بيانات اصطناعية واحدة وفي مجموعتين رئيسيتين من الصور الطيفية الفائقة (HSI) في العديد من الإعدادات التجريبية.注：在阿拉伯语中，“convolutional”通常翻译为“مت convoled”，但为了更符合阿拉伯语的表达习惯，可以将其翻译为“متداخلة”或“متشابكة”。因此，这里我选择使用“متداخلة”来翻译“convolutional”。修改后的版本：يقدم هذا البحث خوارزمية تصنيف جديدة مراقبة للصور الطيفية الفائقة (HSI) التي تدمج المعلومات الطيفية والمكانية في إطار بيزاني موحد. أولاً، نصيغ مشكلة تصنيف الصور الطيفية الفائقة من منظور بيزاني. ثانياً، نعتمد على شبكة عصبية متداخلة (CNN) لتعلم التوزيعات اللاحقة للتصنيفات باستخدام استراتيجية تدريب قطعة بقطعة لاستخدام أفضل للمعلومات المكانية. ثالثاً، يتم الأخذ بعين الاعتبار المعلومات المكانية بشكل أكبر عن طريق وضع سابقة سلاسة مكانية على التسميات. أخيراً، نقوم بتحديث معلمات الشبكة العصبية المتداخلة (CNN) بشكل تكراري باستخدام الانحدار التدرجي العشوائي (SGD)، ونقوم بتحديث تسميات جميع المتجهات البكسلية باستخدام خوارزمية القطع الأدنى القائمة على توسيع ألفا. بالمقارنة مع الأساليب الرائدة الأخرى، حققت الطريقة المقترحة أداءً أفضل في مجموعة بيانات اصطناعية واحدة وفي مجموعتين رئيسيتين من الصور الطيفية الفائقة (HSI) في العديد من الإعدادات التجريبية.