بهبود عملکرد شبکه نواحی تصادفی با استفاده از آنالیز تفکیک‌پذیری خطی به‌منظور استخراج ویژگی‌های عمیق از تصاویر ابرطیفی

در چند سال گذشته مدل‌های عمیق، توفیق فراوانی در شاخه‌های مختلف پردازش تصویر پیدا کرده‌اند. به طور خاص در سنجش از دور ابرطیفی از این مدل‌ها در شاخه‌هایی نظیر طبقه‌بندی و شناسایی اهداف با موفقیت استفاده شده است. اخیراً روش شبکه نواحی تصادفی به منظور استخراج ویژگی‌های عمیق برای طبقه‌بندی تصاویر ابرطیفی پیشنهاد شده است. اهمیت این شبکه در آن است که ویژگی های عمیق را به صورت نظارت نشده استخراج می کنند و عملکردی سریع دارد. علیرغم عملکرد مطلوب این شبکه، از آنجایی که در ساختار اصلی آن از روش تبدیل مولفه اصلی استفاده می‌شود، در ویژگی های استخراج شده قید بیشینه شدن تفکیک‌پذیری میان کلاس‌ها در نظر گرفته نشده است. از این رو در این تحقیق از آنالیز تفکیک‌پذیری خطی به منظور بهبود ساختار این شبکه استفاده شده است. نتایج پیاده‌سازی‌ها بر روی دو مجموعه داده ابرطیفی نشان از آن دارد که روش پیشنهادی ویژگی‌های مناسب‌تر و فشرده تری را برای طبقه‌بندی تصاویر ابرطیفی استخراج می کند. به طور کلی روش پیشنهادی توانسته است که ضمن افزایش سرعت و فشرده سازی بیشتر ابعاد داده، دقت کلی طبقه بندی را تا 2.5 درصد نسبت به روش شبکه نواحی تصادفی افزایش دهد.

improving the performance of rpnet with lda for extracting the deep features for the classification of hyperspectral images

in recent years, deep models have achieved great success in various fields of image processing. these models have been used in some research fields of hyperspectral data processing, such as; classification and target detection. the random patches network (rpnet) has recently been  proposed to extract hierarchical deep features for hyperspectral image classification. rpnet is important as it is an unsupervised method, and as a consequence, it has a fast performance to extract deep features. despite the good performance of this network, due to the usage of the principal component analysis (pca) method in its main structure, maximum discrimination between classes is not guaranteed in extracted features. therefore, in this paper,in order to improve the performance of rpnet, a new method called ldarpnet based on linear discriminant analysis (lda) is proposed. experiments on two hyperspectral datasets, indian pines and pavia university, show that the ldarpnet can extract more compact and suitable features for classifying hyperspectral images. also, based on the experiments, the ldarpnet can increase the overall accuracy by up to 2.5% compared to the classical rpnet.