Tiefes überwachtes Lernen zur Klassifikation hyperspektraler Daten mittels konvolutioneller neuronalen Netze

Spektrale Beobachtungen entlang des Spektrums in vielen schmalen spektralen Bändern mittels hyperspektraler Bildgebung liefern wertvolle Informationen für die Material- und Objekterkennung, die als Klassifizierungsaufgabe betrachtet werden kann. Die meisten bestehenden Studien und Forschungsansätze folgen dem herkömmlichen Mustererkennungsparadigma, das auf der Konstruktion komplexer handgezeichneter Merkmale basiert. Allerdings ist selten bekannt, welche Merkmale für das jeweilige Problem besonders relevant sind. Im Gegensatz hierzu schlagen wir eine auf Deep Learning basierende Klassifizierungsmethode vor, die hierarchisch und automatisiert hochwertige Merkmale aufbaut. Unser Ansatz nutzt ein Convolutional Neural Network (CNN), um spektrale und räumliche Informationen der Pixel zu kodieren, sowie ein Multi-Layer Perceptron (MLP), um die Klassifizierungsaufgabe durchzuführen. Experimentelle Ergebnisse und quantitative Validierungen an weit verbreiteten Datensätzen belegen das Potenzial des entwickelten Ansatzes für eine präzise Klassifizierung hyperspektraler Daten.