التصنيف النصفي لصور الطيف الفائق باستخدام إطار عمل توليد التسميات الاحتمالية الزائفة

تُظهر الشبكات العصبية العميقة (DNNs) أداءً مبهرًا في تصنيف الصور فوق الطيفية (HSI) عندما تكون عينات مُعلّمة كثيرة متاحة. المشكلة هي أن عملية تسمية عينات HSI تُعدّ مكلفة للغاية، وعادةً ما يكون الميزانية المخصصة لهذه المهمة محدودة. لخفض الاعتماد على العينات المُعلّمة، تم تقديم التعلم شبه المُراقب العميق (SSL) في الأدبيات، والذي يتعلم بشكل مشترك من العينات المُعلّمة وغير المُعلّمة. ومع ذلك، يُعدّ تعلُّم ميزات قوية وتمييزية من البيانات غير المُعلّمة مهمة صعبة نظرًا لتأثيرات الضوضاء المختلفة وغموض العينات غير المُعلّمة. ونتيجة لذلك، تظل التطورات الحديثة محدودة، وغالبًا ما تقتصر على مرحلة ما قبل التدريب أو التمهيد. في هذا البحث، نقترح إطارًا احتماليًا عميقًا لتكوين تسميات وهمية موثوقة، بهدف التعلم الصريح لميزات تمييزية من العينات غير المُعلّمة. يمكن تغذية التسميات الوهمية التي يُولّدها الإطار المقترح إلى مختلف الشبكات العصبية العميقة لتعزيز قدرتها على التعميم. يعتمد الإطار المقترح فقط على 10 عينات مُعلّمة لكل فئة، لتمثيل مجموعة التسميات كتوزيع يراعي عدم اليقين في الفضاء الخفي. ثم تُولّد التسميات الوهمية للعينات غير المُعلّمة التي تتطابق قيم ميزاتها مع هذا التوزيع باحتمال عالٍ. وبإجراء تجارب واسعة على أربع مجموعات بيانات متاحة للجمهور، نُظهر أن إطارنا يمكنه إنتاج تسميات وهمية موثوقة، مما يُحسّن بشكل ملحوظ قدرة التعميم لعدة شبكات عصبية عميقة حديثة ومتقدمة. بالإضافة إلى ذلك، نقدّم شبكة عصبية عميقة جديدة لتصنيف الصور فوق الطيفية، تُظهر نتائج دقة متميزة مقارنةً بمنافسيها.