マルコフ確率場と畳み込みニューラルネットワークを用いた高スペクトル画像分類

本論文では、スペクトル情報と空間情報を統一的なベイジアンフレームワークに統合した新しい監督分類アルゴリズムを提案します。まず、HSI（高光譜画像）の分類問題をベイジアンの観点から定式化します。次に、パッチ単位での学習戦略を用いて空間情報をより効果的に利用するため、畳み込みニューラルネットワーク（CNN）を採用して事後クラス分布を学習します。さらに、ラベルに対して空間スムーズさの事前確率分布を設定することで、空間情報を考慮します。最後に、確率的勾配降下法（SGD）を使用してCNNのパラメータを反復的に更新し、α-展開最小カットアルゴリズムに基づいてすべてのピクセルベクトルのクラスラベルを更新します。実験結果によると、提案された分類手法は他の最先端手法と比較して、1つの合成データセットと2つのベンチマークHSIデータセットにおいて優れた性能を達成しています。