HybridSN: Untersuchung der 3D-2D CNN-Feature-Hierarchie für die Klassifizierung von Hyperspektralbildern

Die Klassifizierung von Hyperspektralen Bildern (HSI) wird häufig für die Analyse ferngesteuerter Bilder verwendet. Hyperspektrale Bilder umfassen verschiedene Bandbreiten von Bildern. Das Konvolutionsneuronale Netzwerk (CNN) ist eine der am häufigsten eingesetzten Methoden des tiefen Lernens zur Verarbeitung visueller Daten. Die Anwendung von CNNs für die Klassifizierung von HSI ist auch in jüngeren Arbeiten zu sehen. Diese Ansätze basieren meist auf 2D-CNNs. Allerdings hängt die Leistung der HSI-Klassifizierung stark von räumlichen und spektralen Informationen ab. Aufgrund erhöhter rechnerischer Komplexität haben nur wenige Methoden 3D-CNNs genutzt. In diesem Brief wird ein hybrides spektrales Konvolutionsneuronales Netzwerk (HybridSN) für die Klassifizierung von HSI vorgeschlagen. Im Wesentlichen besteht das HybridSN aus einem spektral-räumlichen 3D-CNN, das durch ein räumliches 2D-CNN ergänzt wird. Das 3D-CNN ermöglicht die gemeinsame räumlich-spektrale Merkmalsrepräsentation aus einem Stapel spektraler Bänder. Das darüber liegende 2D-CNN lernt eine noch abstraktere räumliche Repräsentation. Darüber hinaus reduziert die Verwendung hybrider CNNs die Komplexität des Modells im Vergleich zum alleinigen Einsatz von 3D-CNNs. Um die Leistung dieser hybriden Methode zu testen, wurden sehr strenge HSI-Klassifizierungsversuche an den Fernerkundungsdatensätzen Indian Pines, Pavia University und Salinas Scene durchgeführt. Die Ergebnisse werden mit den neuesten handgefertigten sowie end-to-end basierten tiefen Lernmethoden verglichen. Mit dem vorgeschlagenen HybridSN wurde eine sehr zufriedenstellende Leistung bei der Klassifizierung von HSI erzielt. Der Quellcode kann unter \url{https://github.com/gokriznastic/HybridSN} gefunden werden.