Ein spektral-raumzeitlich-abhängiges globales Lernframework für unzureichende und unbalancierte Hyperspectral-Bildklassifikation

Tiefenlernverfahren wurden weitgehend für die Klassifikation hyperspektraler Bilder (HSI) eingesetzt und haben erhebliche Erfolge erzielt. Allerdings verfügt das tiefes neuronale Netzwerkmodell über einen großen Parameterbereich und erfordert eine große Menge an gelabelten Daten. Tiefenlernmethoden für die HSI-Klassifikation folgen typischerweise einem Patch-basierten Lernansatz. Kürzlich wurde eine schnelle patchfreie globale Lernarchitektur (FPGA) vorgeschlagen, die auf globalen räumlichen Kontextinformationen basiert. Dennoch hat FPGA Schwierigkeiten, die aussagekräftigsten Merkmale zu extrahieren, wenn die Stichprobendaten ungleich verteilt sind. In diesem Artikel wird ein spektral-raumlich abhängiges globales Lernframework (SSDGL) vorgestellt, das auf globalen konvolutionellen Langzeitgedächtnis-Netzwerken (GCL) und einem globalen gemeinsamen Aufmerksamkeitsmechanismus (GJAM) basiert, um die Klassifikation bei unzureichenden und unbalancierten HSI-Daten zu verbessern. Im SSDGL wird die hierarchisch ausgewogene (H-B) Stichprobenstrategie sowie die gewichtete Softmax-Verlustfunktion eingeführt, um das Problem unbalancierter Stichproben zu bewältigen. Um ähnliche spektrale Merkmale verschiedener Landnutzungsarten effektiv zu unterscheiden, wird der GCL-Modul zur Extraktion langfristiger Abhängigkeiten in spektralen Merkmalen eingesetzt. Um die extrahierten Merkmalsrepräsentationen möglichst differenzierend zu gestalten, wird der GJAM-Modul vorgeschlagen, um Aufmerksamkeitsbereiche zu identifizieren. Die experimentellen Ergebnisse an drei öffentlichen HSI-Datensätzen zeigen, dass SSDGL eine herausragende Leistung bei unzureichenden und unbalancierten Stichproben aufweist und andere state-of-the-art-Methoden übertrifft. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/dengweihuan/SSDGL.