الاستخلاص التكيفي للقناع والتعلم من الفضاء المتعدّد إلى الفضاء الإقليدي باستخدام تمثيل التغاير المسافاتي لتصنيف الصور فوق الطيفية

بالنظر إلى المعلومات الطيفية والمكانية الغنية المُسجّلة في الصور الطيفية المتعددة (HSIs)، أصبح استكشاف العلاقات الطيفية-المكانية بشكل كامل محط اهتمام واسع النطاق في مجتمع تصنيف الصور الطيفية المتعددة (HSIC). ومع ذلك، لا تزال هناك عقبات صعبة لا تزال قائمة. من جهة، في نمط المعالجة القائم على الشريحة (patch-based)، غالبًا ما تكون بعض النقاط المجاورة مكانياً غير متوافقة مع النقطة المركزية من حيث فئة التغطية الأرضية. ومن جهة أخرى، فإن الارتباطات الخطية وغير الخطية بين الشبكات الطيفية المختلفة حاسمة، لكنها صعبة للغاية من حيث التمثيل والاستكشاف. ول superar هذه المشكلات المذكورة، نقترح إطارًا جديدًا يُسمى "استخلاص تلقائي للقناع وتعلم الفضاء المانيفولد إلى الفضاء الإقليدي" (AMS-M2ESL) لتصنيف الصور الطيفية المتعددة. بشكل خاص، نُصيغ أولًا وحدة استخلاص عينة داخل الشريحة القائمة على قناع تلقائي (AMIPS) لاستخلاص العينات داخل الشريحة بطريقة تلقائية تعتمد على العلاقات المكانية الموجهة بناءً على المتجه الطيفي المركزي. ثم، بناءً على وصف متجه التباعد التكافؤ (distance covariance)، نقترح وحدة تمثيل ثنائية القناة لوصف التمثيلات المتكاملة للسمات الطيفية-المكانية واستكشاف العلاقات الطيفية-المكانية، وبخاصة الترابط الخطي وغير الخطي داخل المجال الطيفي. علاوةً على ذلك، وبما أن مصفوفة التباعد التكافؤ تقع على منحنى مانيفولد موجب التماثل (SPD)، نُطبّق وحدة تعلم من المانيفولد إلى الفضاء الإقليدي (M2ESL) التي تحترم الهندسة الريمانية لمصفوفة SPD، بهدف تعلم السمات الطيفية-المكانية عالية المستوى. بالإضافة إلى ذلك، نُدخل طبقة جذر مصفوفة تقريبية (ASQRT) لتمكين التProjected الفعّالة إلى الفضاء الإقليدي. أظهرت النتائج التجريبية الواسعة على ثلاث مجموعات بيانات شهيرة للصور الطيفية المتعددة، مع عينات تدريب محدودة، الأداء المتفوق للطريقة المقترحة مقارنةً بالأساليب الرائدة الأخرى. يمكن الوصول إلى الكود المصدري من خلال الرابط التالي: https://github.com/lms-07/AMS-M2ESL.