إطار تعلّم عالمي يعتمد على الطيف والمساحة للتصنيف غير الكافي وغير المتوازن للصور الطيفية الفائقة

تم تطبيق تقنيات التعلم العميق على نطاق واسع في تصنيف الصور فوق الطيفية (HSI)، وقد حققت نجاحًا كبيرًا في هذا المجال. ومع ذلك، فإن نماذج الشبكة العصبية العميقة تتميز بمساحة كبيرة للبارامترات وتحتاج إلى كميات كبيرة من البيانات المُعلمة. غالبًا ما تتبع طرق التعلم العميق لتصنيف الصور فوق الطيفية إطار عمل تعليمي مبني على "القطع" (patchwise learning). في الآونة الأخيرة، تم اقتراح معمارية سريعة تُعرف بـ "التعلم العالمي دون قطع" (FPGA) لتصنيف الصور فوق الطيفية، بناءً على معلومات السياق المكاني العالمي. لكن معمارية FPGA تواجه صعوبات في استخراج الميزات الأكثر تمييزًا عند وجود توازن غير متكافئ في البيانات العينية. في هذا البحث، تم اقتراح إطار عمل جديد يُسمى "التعلم العالمي المعتمد على الطيف والمساحة" (SSDGL)، والذي يعتمد على وحدة الت convolution العالمية طويلة الذاكرة القصيرة (GCL) وآلية الانتباه المشترك العالمي (GJAM)، بهدف معالجة مشكلة تصنيف الصور فوق الطيفية ذات العينات غير الكافية وغير المتوازنة. في إطار SSDGL، تم اقتراح استراتيجية عينة متعددة المستويات متوازنة (H-B) ودالة خسارة سويفت الموزونة (weighted softmax loss) لمعالجة مشكلة عدم التوازن في العينات. ولتمييز الخصائص الطيفية المتشابهة بين أنواع التغطية الأرضية بشكل فعّال، تم إدخال وحدة GCL لاستخراج الاعتماد طويل المدى على الخصائص الطيفية. كما تم اقتراح وحدة GJAM لاستخراج مناطق الانتباه الأكثر تمييزًا، بهدف تعلم تمثيلات مميزة للسمات. أظهرت النتائج التجريبية المستخلصة من ثلاث مجموعات بيانات صور فوق طيفية عامة أداءً قويًا لـ SSDGL في معالجة مشكلات العينات غير الكافية وغير المتوازنة، وتفوقت على الطرق المتقدمة الأخرى المطورة حديثًا. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/dengweihuan/SSDGL.