Apprentissage supervisé profond pour la classification des données hyperspectrales par le biais de réseaux de neurones convolutifs

Les observations spectrales réalisées sur de nombreuses bandes spectrales étroites à travers l'imagerie hyperspectrale fournissent des informations précieuses pour la reconnaissance des matériaux et des objets, ce qui peut être considéré comme une tâche de classification. La plupart des études et des recherches existantes suivent le paradigme classique de la reconnaissance de motifs, fondé sur la construction de caractéristiques complexes conçues manuellement. Toutefois, il est rarement établi quels types de caractéristiques sont véritablement pertinents pour un problème donné. À l’inverse, nous proposons une méthode de classification basée sur l’apprentissage profond, capable de construire hiérarchiquement des caractéristiques de haut niveau de manière automatisée. Notre approche exploite un réseau de neurones convolutifs pour encoder les informations spectrales et spatiales des pixels, ainsi qu’un perceptron multicouche pour effectuer la classification. Les résultats expérimentaux et la validation quantitative sur des jeux de données largement utilisés mettent en évidence le potentiel de la méthode proposée pour une classification précise des données hyperspectrales.