Réduction d'un RNN spatial-spectral avec GRU parallèle pour la classification d'images hyperspectrales

Les réseaux de neurones convolutifs (CNN) ont obtenu de bonnes performances dans la classification d'images hyperspectrales (HSI), mais ils considèrent les spectres comme des vecteurs sans ordre. Par conséquent, en prenant en compte les spectres comme des séquences, les réseaux de neurones récurrents (RNN) ont été appliqués à la classification HSI, car les RNN sont spécialisés dans le traitement de données séquentielles. Cependant, pour une tâche impliquant des séquences longues, l'entraînement des RNN est difficile et leur efficacité ne répond pas aux attentes. De plus, les caractéristiques contextuelles spatiales ne sont pas prises en compte par les RNN. Dans cette étude, nous proposons un RNN spatial-spectral raccourci avec GRU parallèle (St-SS-pGRU) pour la classification HSI. Un RNN raccourci est plus efficace et plus facile à entraîner qu'un RNN traitant bande par bande. En combinant une couche convolutive, le modèle St-SS-pGRU prend en compte non seulement les caractéristiques spectrales mais aussi spatiales, ce qui améliore ses performances. Une architecture nommée GRU parallèle est également proposée et appliquée au St-SS-pGRU. Grâce à cette architecture, le modèle atteint de meilleures performances et est plus robuste.