شبكة تجميع من الدرجة الثانية تعتمد على الانتباه لتصنيف الصور الفائقة الطيفية

أظهر التعلم العميق (DL) إمكانيات كبيرة في تصنيف الصور فوق الطيفية (HSI) بفضل قدرته الفائقة على النمذجة غير الخطية وخصائص التحسين من الطرف إلى الطرف. وعلى الرغم من الأداء المتميز للطرق القائمة على التعلم العميق، لا تزال هناك بعض القيود التي يمكن ملاحظتها. من جهة، تعتمد الإطارات الحالية القائمة على التعلم العميق عادةً على الخصائص الإحصائية من الدرجة الأولى، بينما نادراً ما تأخذ بعين الاعتبار الخصائص الإحصائية من الدرجة الثانية أو أعلى. ومن جهة أخرى، فإن تحسين المعلمات المعقدة (مثل عدد الطبقات وحجم النواة التلافيفية) يستهلك وقتاً طويلاً ويتطلب جهداً كبيراً، مما يجعل الإطار المُصمم غير قابل للتفسير. ولتجاوز هذه التحديات، نقترح شبكة جديدة تُعرف بـ "الشبكة القائمة على الانتباه والتمثيل من الدرجة الثانية" (A-SPN). أولاً، تم تصميم مشغل ميزات من الدرجة الأولى لتمثيل المعلومات الطيفية-المكانية للصورة فوق الطيفية. ثانياً، تم تصميم مشغل تمثيل من الدرجة الثانية القائم على الانتباه (A-SOP) لتمثيل ميزات تمييزية وتمثيلية. وأخيراً، تم استخدام طبقة متصلة بالكامل مع دالة خسارة سوتفت ماك (Softmax Loss) لغرض التصنيف. يمكن للإطار المقترح استخلاص الخصائص الإحصائية من الدرجة الثانية بطريقة من الطرف إلى الطرف. بالإضافة إلى ذلك، فإن A-SPN لا تتطلب ضبطاً معقداً للمعلمات، مما يجعلها أكثر قابلية للتفسير وسهولة في التجهيز للتطبيقات التصنيفية. وقد أظهرت النتائج التجريبية المستمدة من ثلاث مجموعات بيانات فائقة الطيفية شائعة الاستخدام أن A-SPN تتفوق على الطرق التقليدية والحديثة القائمة على التعلم العميق في تصنيف الصور فوق الطيفية من حيث أداء التعميم مع عينات تدريب محدودة، والدقة التصنيفية، وسرعة التقارب، وتعقيد الحسابات.