Verkürzung von raum-spektralen RNN mit parallelen GRU für die Klassifizierung von Hyperspektralbildern

Faltungsschichtneuronale Netze (CNNs) erzielten gute Ergebnisse bei der Klassifizierung von Hyperspektralen Sensorenbildern (HSI), betrachten Spektren jedoch als ungeordnete Vektoren. Aus diesem Grund wurden rekurrente neuronale Netze (RNNs) auf die Klassifizierung von HSI angewendet, da RNNs in der Verarbeitung sequentieller Daten erfahren sind. Für Aufgaben mit langen Sequenzen ist jedoch das Training von RNNs schwierig und die Effektivität entspricht nicht den Erwartungen. Zudem werden räumliche kontextuelle Merkmale in RNNs nicht berücksichtigt. In dieser Studie schlagen wir ein verkürztes räumlich-spektrales RNN mit parallelem GRU (St-SS-pGRU) für die Klassifizierung von HSI vor. Ein verkürztes RNN ist effizienter und einfacher zu trainieren als ein bandweise RNN. Durch die Kombination mit einer Faltungsschicht berücksichtigt das St-SS-pGRU-Modell neben spektralen auch räumliche Merkmale, was zu einer besseren Leistung führt. Des Weiteren wird eine Architektur namens paralleler GRU vorgeschlagen und im St-SS-pGRU-Modell angewendet. Mit dieser Architektur erreicht das Modell eine bessere Leistung und ist robuster.