الاستيعاب المميز القائم على التعلم العميق لتصنيف الصور الفائقة الطيفية

يظل التعلم من عدد محدود من العينات المُسَمَّاة (بكسل) تحديًا رئيسيًا في تصنيف الصور فوقالطيفية (HSI). ولحل هذه المشكلة، نقترح نموذج تضمين الميزات المستند إلى التعلم العميق للقياس، الذي يمكنه التعامل مع المهام المتعلقة بتصنيف الصور فوقالطيفية ضمن نفس المشهد وفي مشاهد مختلفة. في المهمة الأولى، عندما تكون هناك عدد قليل جدًا من العينات المُسَمَّاة، نستخدم أفكار التعلم القائم على القياس استنادًا إلى ميزات التضمين العميقة، ونُطبِّق تعلُّم التشابه بين أزواج من العينات. وفي هذه الحالة، يمكن للنموذج المقترح تعلُّم التمييز الجيد فيما إذا كانت عينتان تنتميان إلى الفئة نفسها. أما في المهمة الثانية، عندما لا تكون هناك أي علامات مُسَمَّاة في صورة فوقطيفية (المشهد المستهدف) التي يُراد تصنيفها، فيمكن للنموذج التضميني التعلُّم من صورة فوقطيفية أخرى مشابهة (المشهد المصدري) التي تحتوي على عدد كافٍ من العينات المُسَمَّاة، ثم نقل التعلم إلى النموذج المستهدف باستخدام تقنية التكيف بين المجالات غير المُسَمَّاة (Unsupervised Domain Adaptation)، والتي لا تُستخدم فقط الأسلوب العدواني لجعل ميزات التضمين من العينات المصدرية والمستهدفة غير قابلة للتمييز، بل تُشجع أيضًا على تكوين مجموعات مشابهة (Cluster) لمقاييس المشهد المستهدف مع مجموعات المشهد المصدري. وبعد إتمام عملية التكيف بين المجالات للصور فوقالطيفية للمشهدين، يمكن استخدام أي تصنيف فائق طيفي تقليدي. وبشكل بسيط، تم اختيار خوارزمية أقرب الجيران (NN) كمصنف لمهام التصنيف طوال هذا المقال. وتوحي نتائج التجارب التي أُجريت على سلسلة من الصور فوقالطيفية الشهيرة بتفوّق النموذج المقترح في مهام التصنيف ضمن نفس المشهد وفي مشاهد مختلفة.