Hyperspektrale Bildklassifizierung mit Markov-Zufallsfeldern und einem Faltungsneuralen Netzwerk

Dieses Papier stellt einen neuen überwachten Klassifikationsalgorithmus für ferngesteuerte Hyperspektralbilder (HSI) vor, der spektrale und räumliche Informationen in einem einheitlichen bayesianischen Rahmen integriert. Zunächst formulieren wir das Klassifikationsproblem von HSI aus bayesianischer Perspektive. Anschließend verwenden wir ein konvolutions neuronales Netzwerk (CNN), um die a posterioren Klassenverteilungen unter Verwendung einer patchweisen Trainingsstrategie zu lernen, um die räumliche Information besser zu nutzen. Im nächsten Schritt wird die räumliche Information durch die Einsetzung eines räumlichen Glättungspriors auf die Labels weiter berücksichtigt. Schließlich aktualisieren wir die CNN-Parameter iterativ mithilfe des stochastischen Gradientenabstiegs (SGD) und aktualisieren die Klassifizierungslabel aller Pixelvektoren mit einem alpha-Erweiterungs Min-Cut-basierten Algorithmus. Verglichen mit anderen Stand-of-the-Art-Methoden erreicht der vorgeschlagene Klassifikationsansatz in verschiedenen experimentellen Szenarien bessere Ergebnisse auf einem synthetischen Datensatz sowie auf zwei Benchmark-HSI-Datensätzen.请注意，"stochastic gradient descent" 通常在德语中翻译为 "stochastischer Gradientenabstieg"，而 "alpha-expansion min-cut-based algorithm" 可以翻译为 "alpha-Erweiterungs Min-Cut-basierten Algorithmus"。这些术语在德语文献中较为通用。