Réseaux antagonistes génératifs fondés sur l'apprentissage collaboratif et le mécanisme d'attention pour la classification d'images hyperspectrales

La classification des images hyperspectrales (HSI) à partir d’un nombre limité d’échantillons constitue un défi majeur. Le réseau adversaire génératif (GAN) apparaît comme une technique prometteuse pour atténuer le problème du faible nombre d’échantillons. En effet, un GAN génère des échantillons grâce à la compétition entre un générateur et un discriminateur. Toutefois, il est difficile de produire des échantillons de haute qualité pour les HSI, dont la distribution spatiale-spectrale est complexe, ce qui peut entraîner une dégradation de la performance du discriminateur. Pour résoudre ce problème, nous proposons un GAN convolutif symétrique fondé sur un apprentissage collaboratif et un mécanisme d’attention (CA-GAN). Dans CA-GAN, le générateur et le discriminateur ne se contentent pas de s’opposer mutuellement, mais collaborent également. Les caractéristiques de faible à profonde extraites à partir d’échantillons réels multiclasse par le discriminateur aident le générateur à produire des échantillons plus pertinents. Dans le générateur, un module d’attention rigoureuse spatiale-spectrale est conçu en définissant une fonction d’activation dynamique basée sur un réseau convolutif à multiples branches. Ce module permet de faire converger la distribution des échantillons générés vers celle des HSI réelles, tant au niveau spectral qu’au niveau spatial, tout en éliminant les informations trompeuses ou perturbatrices. Dans le discriminateur, une couche LSTM convolutif est intégrée pour extraire simultanément des caractéristiques contextuelles spatiales et capturer des dépendances spectrales à long terme. Enfin, la performance de classification du discriminateur est améliorée grâce à l’encouragement d’un apprentissage à la fois compétitif et collaboratif entre le discriminateur et le générateur. Des expériences menées sur des jeux de données HSI montrent que CA-GAN obtient des résultats de classification satisfaisants par rapport aux méthodes avancées, notamment dans les cas où le nombre d’échantillons d’entraînement est réduit.