초광역 영상 분류를 위한 마르코프 랜덤 필드와 합성곱 신경망

본 논문은 스펙트럼 정보와 공간 정보를 통합한 베이지안 프레임워크에서 원격 감지 고광谱 영상(HSI)을 위한 새로운 지도 분류 알고리즘을 제시합니다. 먼저, HSI 분류 문제를 베이지안 관점에서 정식화합니다. 그 다음, 패치 기반 학습 전략을 사용하여 공간 정보를 더 효과적으로 활용하기 위해 컨볼루션 신경망(CNN)을 채택하여事後クラス分布を学習します(후방 클래스 분포를 학습합니다). 이후, 라벨에 공간 평활성 사전 확률 모델을 적용하여 공간 정보를 더욱 고려합니다. 마지막으로, 확률적 경사 하강(SGD) 방법을 사용하여 CNN 매개변수를 반복적으로 업데이트하고, 알파-확장 최소 절단 알고리즘을 기반으로 모든 픽셀 벡터의 클래스 라벨을 업데이트합니다. 실험 설정에서 여러 번 수행한 결과, 제안된 분류 방법은 다른 최신 방법들과 비교해 하나의 합성 데이터셋과 두 개의 벤치마크 HSI 데이터셋에서 더 우수한 성능을 보였습니다.