HybridSN : Exploration de la hiérarchie des caractéristiques CNN 3D-2D pour la classification d'images hyperspectrales

La classification d'images hyperspectrales (HSI) est largement utilisée pour l'analyse d'images acquises par télédétection. Les images hyperspectrales comprennent des bandes d'images variées. Le réseau neuronal convolutif (CNN) est l'une des méthodes les plus fréquemment utilisées basées sur l'apprentissage profond pour le traitement de données visuelles. L'utilisation de CNN pour la classification d'HSI est également visible dans les travaux récents. Ces approches sont principalement fondées sur des CNN 2D. Cependant, les performances de la classification d'HSI dépendent fortement à la fois des informations spatiales et spectrales. Très peu de méthodes ont utilisé des CNN 3D en raison de la complexité computationnelle accrue. Cette lettre propose un réseau neuronal convolutif spectral hybride (HybridSN) pour la classification d'HSI. Fondamentalement, HybridSN est une architecture 3D-CNN spectrale-spatiale suivie d'une 2D-CNN spatiale. La 3D-CNN facilite la représentation conjointe des caractéristiques spatiales et spectrales à partir d'un ensemble de bandes spectrales. La 2D-CNN superposée à la 3D-CNN apprend ensuite une représentation spatiale plus abstraite. De plus, l'utilisation de CNN hybrides réduit la complexité du modèle par rapport à l'utilisation seule de CNN 3D. Pour évaluer les performances de cette approche hybride, des expériences très rigoureuses de classification d'HSI ont été réalisées sur les jeux de données de télédétection Indian Pines, Pavia University et Salinas Scene. Les résultats ont été comparés aux méthodes artisanales et aux méthodes basées sur l'apprentissage profond bout-à-bout les plus avancées actuellement disponibles. Une performance très satisfaisante a été obtenue en utilisant le HybridSN proposé pour la classification d'HSI. Le code source peut être trouvé à l'adresse \url{https://github.com/gokriznastic/HybridSN}.