بهبود طبقه‌بندی تصاویر ابرطیفی با استفاده از مدل ترکیبی شبکه‌های کپسول و درخت تصمیم تقویتی

با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه‌روز افزایش و عمومیت می‌یابد. طبقه‌بندی یکی از محبوب‌ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه‌ گذشته، روش‌های بسیاری برای مقابله با مشکل طبقه‌بندی داده‌های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی‌بر یادگیری شبکه‌های کپسول برای طبقه‌بندی تصاویر ابرطیفی به‌کار رفته است؛ به‌گونه‌ای که ساختار شبکه بتواند، با استفاده از یک لایه‌ کانولوشنی و یک لایه‌ کپسول، بهترین حالت تولید ویژگی‌ها را داشته باشد و درعین‌حال از بیش‌برازش شبکه روی نمونه‌های آموزشی جلوگیری کند. نتایج به‌دست‌آمده نشان از کیفیت بالای ویژگی‌های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه‌بندی، رویکرد استخراج ویژگی ازطریق شبکه‌ طراحی‌شده و طبقه‌بندی با استفاده از الگوریتم درخت تقویتی xgboost، با روش طبقه‌بندی ازطریق شبکه‌ عمیق سراسری مقایسه شد تا، علاوه‌بر بررسی و کیفیت‌سنجی ویژگی‌های عمیق برداری تولیدی به‌روش پیشنهادی در طبقه‌بندی‌کننده‌های گوناگون، میزان توانایی شبکه‌های عمیق سراسری نیز، در کاربرد طبقه‌بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه‌ اصلی است: 1)  prime با کپسول‌هایی به‌اندازه‌ 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) digitcaps دارای دَه کپسول شانزده‌بعدی؛ 3) لایه‌ تماماً متصل. نتایج بررسی دو رویکرد برای شبکه‌ عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی xgboost مقایسه شد. رویکردهایی همچون svm، rf-200، lstm، gru، و gru-pretanh برای مقایسه‌ رویکرد پیشنهادی براساس پیکربندی‌هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده‌ indian pines نیز، شامل شانزده کلاس متفاوت، به‌کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه‌بندی تصاویر با دقت 99% روی‌داده‌های آموزش و دقت 97.5% روی ‌داده‌های تست انجام می‌شود.

improving the classification of hyperspectral images using the combined model of capsnet and the extreme gradient boosting

with the development of remote sensing science, the use of hyperspectral images is becoming more widespread. classification is one of the most popular topics in hyperspectral remote sensing. in the last two decades, a number of methods have been proposed to address the problem of hyperspectral data classification.in the present study, a structure based on learning capsule networks has been used to classify hyperspectral images, so that the network structure can have the most optimal generation of features by using a convolution layer and a capsule layer, and at the same time avoid overfitting the on training data. the obtained results show the high quality of production features in the proposed structure. with the development of remote sensing science, the use of hyperspectral images is becoming more widespread. classification is one of the most popular topics in hyperspectral remote sensing. in the last two decades, a number of methods have been proposed to address the problem of hyperspectral data classification.in the present study, a structure based on learning capsule networks has been used to classify hyperspectral images, so that the network structure can have the most optimal generation of features by using a convolution layer and a capsule layer, and at the same time avoid overfitting the on training data. the obtained results show the high quality of production features in the proposed structure.in order to improve the classification accuracy, the feature extraction approach through the designed network and the classification by the extreme gradient boosting was compared with the classification method by the global deep network. the proposed capsule approach consists of 3 basic layers: 1) prime caps, which are capsules of size 8 and 32 with 9 × 9 filters and movement step 2, 2) digitcaps with 10 16-dimensional capsules, and 3) fully connected layer. the results of examining two approaches for deep networking as well as combining capsule networks with xgboost reinforcement tree algorithm were compared. approaches such as svm, rf-200, lstm, gru and gru-pretanh were considered to compare the proposed approach based on the configurations mentioned in their research.up in addition to the study and quality measurement of production vector deep features by the proposed method in different classifiers, the ability of deep global networks in the application of classification should also be examined. the results of examining two approaches for deep network and also combining capsnet with xgboost show that by using the proposed combined method, images are classified with 99% accuracy on training data and 97.5% accuracy on test data.up in addition to the study and quality measurement of production vector deep features by the proposed method in different classifiers, the ability of deep global networks in the application of classification should also be examined.the results of examining two approaches for deep network and also combining capsnet with xgboost show that by using the proposed combined method, images are classified with 99% accuracy on training data and 97.5% accuracy on test data.