El aprendizaje profundo permite la detección hiperespectral a bordo: una vía clave para mejorar la precisión en la detección de objetivos.

Las imágenes hiperespectrales a bordo se deben a suAlta resolución espectralyCobertura espacial a gran escalaLos objetivos hiperespectrales tienen aplicaciones importantes en tareas como la identificación de accidentes geográficos, la monitorización urbana, los estudios agrícolas y la evaluación ambiental. Sin embargo, este tipo de datos suele presentar numerosas bandas espectrales, grandes variaciones en la escala del objetivo, fondos complejos y escasas muestras etiquetadas, lo que dificulta enormemente la detección de objetivos. Los métodos tradicionales de coincidencia espectral y análisis de características estadísticas tienen dificultades para procesar simultáneamente la información espectral y espacial, lo que limita su eficacia en la detección de objetivos pequeños y fondos complejos. En los últimos años, el desarrollo de la tecnología de aprendizaje profundo ha proporcionado una nueva solución para la detección de objetivos hiperespectrales a bordo. Al extraer automáticamente características espectrales y espaciales mediante un entrenamiento integral, mejora significativamente la precisión y la robustez de la detección.

Figura 1Ejemplos de imágenes hiperespectrales del satélite Xiguang-1 01

En términos de metodología,Redes convolucionales espectro-espaciales(comoCNN 3DUno de los enfoques más comunes es utilizar una CNN híbrida (o una combinación de ambas). Estos métodos tratan los datos hiperespectrales como...Datos de volumen 3DAl realizar convoluciones simultáneamente en las dimensiones espacial y espectral, es posible capturar la continuidad y la información de estructura espacial entre bandas espectrales. Por ejemplo, los métodos 3D-CNN para tareas de identificación de cultivos pueden detectar eficazmente objetivos a pequeña escala y mejorar la precisión general de detección a través de la fusión de características convolucionales multicapa, pero su costo computacional es alto y son sensibles al número de muestras de entrenamiento. Para resaltar las características del objetivo y suprimir la interferencia de fondos complejos,Mecanismo de atención espectral-espacialEste enfoque se integra en la estructura de la red. Mediante la ponderación de la atención en las dimensiones espectral y espacial, mejora la respuesta en bandas y regiones clave, lo que resulta especialmente eficaz para la detección de objetivos pequeños, a la vez que mejora la robustez del modelo en entornos complejos.

La figura 2 muestra la red CNSST, que utiliza una combinación de ramas convolucionales paralelas y ramas Transformer para lograr el reconocimiento de objetivos hiperespectrales.

Fusión de características multiescalaEsta es otra tecnología clave para abordar las variaciones de escala de los objetivos en las imágenes hiperespectrales satelitales. Al integrar información de características de diferentes capas convolucionales o estructuras piramidales, el modelo puede manejar objetivos tanto a gran como a pequeña escala, logrando buenos resultados de detección en escenarios como edificios urbanos, carreteras o tierras de cultivo. Para el problema de la escasez de datos etiquetados, se utilizan ampliamente el aprendizaje por transferencia y el aprendizaje con pocos ejemplos. Al preentrenar el modelo con datos de teledetección a gran escala u otros conjuntos de datos hiperespectrales y luego ajustarlo para una tarea específica, se puede mitigar el problema de la escasez de muestras, acelerar la velocidad de convergencia del entrenamiento y mantener una alta precisión de detección.

La figura 3 muestra MsFNet, que emplea una arquitectura paralela de múltiples ramas y combina convolución dilatada, mecanismo de atención e interacción de características entre escalas para lograr una fusión dinámica espectral-espacial multiescala en la detección hiperespectral.

A pesar del importante progreso logrado por los métodos mencionados anteriormente en la detección hiperespectral de objetivos a bordo, persisten algunos desafíos, como la insuficiencia de capacidades de procesamiento en tiempo real para grandes volúmenes de datos, problemas de adaptabilidad a diferentes plataformas a bordo y la dificultad de detectar muestras pequeñas y objetivos poco frecuentes.

Las futuras líneas de desarrollo incluyen el diseño de modelos ligeros para la detección en tiempo real, la fusión de datos multimodales para mejorar la precisión de la detección, el aprendizaje auto-supervisado o semi-supervisado para reducir la dependencia de datos etiquetados y las estructuras de red basadas en Transformer para capturar las dependencias espectrales-espaciales globales. En general, los métodos de aprendizaje profundo se han convertido en una tecnología fundamental para la detección hiperespectral de objetivos a bordo. Mediante la optimización continua de las estructuras de red y las estrategias de aprendizaje, se espera mejorar aún más la precisión y la aplicabilidad de la detección, proporcionando un sólido respaldo para la monitorización por teledetección y la identificación de objetivos en superficie.