بهبود دقت طبقه‌بندی تصاویر ابرطیفی با استفاده از شبکه‌های عصبی پیچشی

طبقه‌بندی تصاویر ابرطیفی اهمیت زیادی در تجزیه و تحلیل تصاویر سنجش از دور دارند. روش‌های یادگیری عمیق با موفقیت برای طبقه‌بندی داده‌های سنجش از دور مورد استفاده قرار گرفته‌اند. در سال های اخیر، شبکه های عصبی پیچشی(cnns) کاربرد قابل ملاحظه‌ای در طبقه‌بندی تصاویر ابرطیفی داشته اند که هر یک سعی در غلبه بر چالش های محاسباتی و پردازشی داده های ابرطیفی داشته اند. با افزایش تعداد پارامترها و لایه های شبکه های عصبی پیچشی کارایی آن‌ها در حل مسائل پیچیده کاهش می یابد. به‌همین دلیل در مقاله حاضر یک معماری جدید از شبکه های عصبی پیچشی معرفی شده است تا علاوه بر داشتن عملکرد بالای شبکه، زمان محاسباتی را نیز به‌صورت چشمگیری کاهش دهد. در روش پیشنهادی از اطلاعات طیفی-مکانی به عنوان ورودی شبکه و به جهت کاهش باندهای طیفی از فرآیند آنالیز مولفه‌های اصلی استفاده می‌شود. همچنین برای جلوگیری از بیش برازش از ترکیب نرمال‌سازی بسته‌ای و حذف تصادفی استفاده می‌گردد. در این روش شبکه عصبی پیچشی دو بعدی شامل لایه‌های پیچشی، لایه‌های ادغام و لایه‌های کاملا متصل می‌باشد. علاوه بر استفاده از آنالیز مولفه‌های اصلی، یافتن پنجره مناسب در روش پیشنهادی مورد توجه قرار گرفته است. جهت مقایسه مدل پیشنهادی با دیگر معماری‌ها، آزمایش های این مقاله بر مجموعه داده های ایندین‌پاینس، دانشگاه پاویا و سالیناس صورت گرفته است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی علاوه بر داشتن درصد دقت بالای موفقیت (100درصد) در طبقه‌بندی و مدت زمان کمتر، دارای پیچیدگی کمتری نسبت به مدل‌های موجود می‌باشد.

improving classification accuracy of hyperspectral image using convolutional neural networks

hyperspectral image classification is a crucial aspect of remote sensing image analysis. deep learning methods have been successfully used to classify remote sensing data. in recent years, convolutional neural networks (cnns) have been significantly used in hyperspectral image classification, which has tried to overcome the computational and processing challenges of hyperspectral data. by increasing the number of parameters and layers of convolutional neural networks, their efficiency in solving complex problems decreases. for this reason, in this article, a new architecture of convolutional neural networks has been introduced, this network has a good performance and reduces the computing time.in this paper, we introduce a novel cnn that utilizes spectral-spatial information as input and employs principal component analysis (pca) to reduce spectral bands. to prevent overfitting, we combine batch normalization and dropout techniques. our two-dimensional cnn includes convolutional layers, pooling layers, and fully connected layers. we also incorporate pca and patch selection to enhance the accuracy of our model.to evaluate the effectiveness of our proposed model, we conducted experiments on three datasets: indian pines, pavia university, and salinas. our simulation results demonstrate that our model achieves a classification accuracy of 100%, with less training time and complexity than existing models.