초록
컨벌루션 신경망(CNNs)은 고광谱感测图像(HSI) 분류에서 좋은 성능을 보였지만, CNNs는 스펙트럼을 순서 없는 벡터로 취급합니다. 따라서, 스펙트럼을 시퀀스로 간주하여 반복 신경망(RNNs)이 HSI 분류에 적용되었습니다. RNNs는 시퀀스 데이터 처리에 능숙하기 때문입니다. 그러나 긴 시퀀스 작업의 경우, RNNs는 훈련이 어려우며 예상만큼 효과적이지 않습니다. 또한, RNNs에서는 공간적 맥락 특성이 고려되지 않습니다. 본 연구에서는 HSI 분류를 위해 단축된 공간-스펙트럼 RNN과 병렬 GRU(St-SS-pGRU)를 제안합니다. 단축된 RNN은 밴드별 RNN보다 효율적이며 훈련하기 쉽습니다. 컨벌루션 계층을 결합함으로써, St-SS-pGRU 모델은 스펙트럼뿐만 아니라 공간적 특성도 고려하여 더 나은 성능을 보입니다. 또한, 병렬 GRU 구조가 제안되어 St-SS-pGRU에 적용되었습니다. 이 구조 덕분에 모델은 더 나은 성능을 보이며 견고성을 높였습니다.注：在翻译中，“高光谱感测图像”被翻译为“고광谱 감측 이미지”，以保持专业性和准确性。