Classification d'images hyperspectrales avec des champs aléatoires de Markov et un réseau neuronal convolutif

Ce document présente un nouvel algorithme de classification supervisée pour les images hyperspectrales à distance (HSI) qui intègre les informations spectrales et spatiales dans un cadre bayésien unifié. Tout d'abord, nous formulons le problème de classification des HSI sous l'angle bayésien. Ensuite, nous utilisons un réseau neuronal convolutif (CNN) pour apprendre les distributions de classes a posteriori en adoptant une stratégie d'entraînement par patch afin d'exploiter au mieux les informations spatiales. Par la suite, les informations spatiales sont encore prises en compte en imposant une contrainte de lissage spatial sur les étiquettes. Enfin, nous mettons à jour itérativement les paramètres du CNN en utilisant la descente stochastique du gradient (SGD) et nous mettons à jour les étiquettes de classe de tous les vecteurs de pixels en utilisant un algorithme basé sur le min-cut alpha-expansion. Comparé aux autres méthodes de pointe, la méthode de classification proposée obtient de meilleures performances sur un ensemble de données synthétiques et deux ensembles de données HSI de référence dans plusieurs configurations expérimentales.