Untersuchung der Beziehung zwischen Zentrum und Nachbarschaften: Zentriervector-orientiertes Selbstähnlichkeitsnetzwerk für die Klassifikation hyperspektraler Bilder

Um die spektral-raumliche Information eines Ziel-Pixels in der hyperspektralen Bildklassifizierung (HSIC) zu erschließen, verwenden viele auf Convolutional Neural Networks (CNN) basierende Modelle eine Patch-basierte Eingabestrategie, bei der ein Patch sowohl das zentrale Pixel als auch die benachbarten Pixel umfasst, die bei der Klassifizierung lediglich unterstützende Funktionen übernehmen. Allerdings tragen die Nachbarpixel im Vergleich zum zentralen Pixel oft unterschiedlich stark zur Klassifikation bei. Obwohl zahlreiche existierende patch-basierte CNNs die räumlichen Nachbarinformationen adaptiv betonen können, ignorieren die meisten von ihnen die verborgene Beziehung zwischen dem zentralen Pixel und seinen Nachbarn. Zudem stellt die effiziente Extraktion spektral-raumlicher Merkmale eine herausfordernde, jedoch entscheidende Aufgabe für die HSIC dar. Um diese Probleme anzugehen, wird ein zentrenvektororientiertes Selbstähnlichkeitsnetzwerk (CVSSN) für die HSIC vorgestellt. Konkret werden auf der Grundlage zweier Ähnlichkeitsmaße zunächst ein adaptiver Gewichtszusatz basierender Spektralvektor-Selbstähnlichkeitsmodul (AWA-SVSS) im Eingaberaum und ein euklidischer Abstand basierender Merkmalsvektor-Selbstähnlichkeitsmodul (ED-FVSS) im Merkmalsraum entworfen, um die zentrenvektororientierten räumlichen Beziehungen umfassend auszunutzen. Darüber hinaus wird ein Spektral-Raum-Informationen-Fusionsmodul (SSIF) als neue Architektur formuliert, um den eindimensionalen Spektralvektor des Zentrums und den entsprechenden dreidimensionalen Patch effizient zu fusionieren, um die nachfolgenden Module für die spektral-raumliche Merkmalsextraktion zu unterstützen. Zudem werden ein Kanal-raum-entkoppelnder Faltungsmodul (CSS-Conv) und ein Skaleninformationen-ergänzender Faltungsmodul (SIC-Conv) implementiert, um die effiziente spektral-raumliche Merkmalsextraktion weiter zu verbessern. Ausführliche experimentelle Ergebnisse auf vier etablierten HSI-Datensätzen belegen die Effektivität und Effizienz des vorgeschlagenen Ansatzes im Vergleich zu anderen state-of-the-art-Methoden. Der Quellcode ist unter https://github.com/lms-07/CVSSN verfügbar.