Classification d'images hyperspectrales utilisant des capsules matricielles profondes

La classification des images hyperspectrales (HSI) est largement utilisée dans divers domaines tels que l’agriculture de précision, l’exploration minérale, la télédétection, etc. Traditionnellement, les réseaux de neurones convolutifs (CNN) ont été largement employés pour la classification des HSI, mais ils présentent des limites dans l’exploitation des relations spectrales-spatiales, un facteur clé pour comprendre les données HSI. Bien que les architectures CNN plus profondes et l’utilisation de CNN 3D permettent de pallier partiellement ce problème, elles entraînent une complexité computationnelle accrue, ce qui limite leur déploiement sur des dispositifs à ressources limitées tels que les appareils IoT ou les dispositifs de calcul en périphérie. Dans ce travail, nous proposons une nouvelle méthode fondée sur le concept de capsules matricielles avec un algorithme de routage par maximisation de l’espérance (EM), spécifiquement conçu pour capturer les particularités des données HSI afin de traiter efficacement les problèmes susmentionnés. Les unités de capsules permettent une identification efficace des signatures spectrales ainsi que des relations partie-tout présentes dans les données, tandis que le routage EM assure l’invariance par rapport au point de vue. Trois jeux de données HSI représentatifs sont utilisés pour valider l’efficacité de la méthode proposée. Les résultats expérimentaux montrent que la méthode proposée surpasser les états de l’art actuels en termes de précision, tout en nécessitant 25 fois moins de paramètres et plus de 65 fois moins d’espace de stockage. Le code source est disponible à l’adresse suivante : https://github.com/DeepMatrixCapsules/DeepMatrixCapsules.