Hyperspektrale Bildklassifizierung von Faltungsneuralen Netzen kombiniert mit wertvollen Proben

Angesichts des Problems, dass die manuelle Beschriftung von Proben bei der Klassifizierung hyperspektraler Bilder kostspielig und arbeitsaufwändig ist, während eine große Anzahl unlabeleder Proben nicht effektiv genutzt wird und die Klassifizierungsergebnisse nicht zufriedenstellend sind, wird ein Verfahren vorgeschlagen, das wertvolle Proben identifiziert und eine convolutionale Neuronale Netzwerk (CNN)-Architektur nutzt, um spektral-räumliche Merkmale zur Klassifizierung zu extrahieren. Dabei wird ein aktives Lernverfahren eingesetzt, um iterativ eine wertvolle Trainingsprobenmenge durch Auswahl der unsichersten Proben mittels eines Support Vector Machines (SVM) zu konstruieren, welches sich bei der Klassifizierung mit kleinen Stichproben bewährt hat, und diese Proben anschließend manuell zu beschriften. Anschließend wird ein 3D-CNN verwendet, um spektral-räumliche Merkmale aus dem hyperspektralen Bild zu extrahieren. Die experimentellen Ergebnisse der Klassifizierung auf den Datensätzen Indian Pines und PaviaU zeigen, dass das vorgeschlagene Verfahren (3D VS-CNN) gegenüber traditionellen Klassifizierungsmethoden überlegen ist.