بسبب الإنجازات البارزة التي حققتها أساليب التعلم العميق في مجالات الرؤية الحاسوبية، زاد عدد الأبحاث التي تهدف إلى تطبيق هذه الأدوات القوية في تصنيف الصور فوق الطيفية (HSI). حتى الآن، تعتمد معظم هذه الأساليب على مرحلة تدريب مسبق تليها مرحلة تعديل دقيق لاستخراج الميزات العميقة، وهي عملية لا تُعدّ مكلفة من حيث الوقت فحسب، بل تعتمد أيضًا بشكل كبير على كميات كبيرة من البيانات التدريبية. في هذه الدراسة، نقترح طريقة فعّالة تعتمد على التعلم العميق، تُعرف بـ "شبكة المربعات العشوائية" (RPNet)، لتصنيف الصور فوق الطيفية، والتي تُعامل المربعات العشوائية المستخرجة من الصورة مباشرة كنوافذ تلافيفية دون الحاجة إلى أي تدريب. وبدمج كل من الميزات التلافيفية السطحية والعميقة، يتمتع RPNet بالميزة متعددة المقياس، مما يمنحه قدرة أفضل على التكيّف مع تصنيف الصور فوق الطيفية، حيث تميل الكائنات المختلفة إلى احتواء مقاييس مختلفة. وقد تم اختبار الطريقة المقترحة ونوعيها الفرعيين RandomNet وRPNet–single على ثلاث مجموعات بيانات معيارية للصور فوق الطيفية. وأظهرت النتائج التجريبية أن RPNet يمكنها تحقيق أداءً تنافسيًا مقارنة بالأساليب الحالية.