L'apprentissage profond permet la détection hyperspectrale embarquée : une voie clé pour améliorer la précision de la détection des cibles

Les images hyperspectrales embarquées sont dues à leurHaute résolution spectraleetCouverture spatiale à grande échelleLes cibles hyperspectrales trouvent de nombreuses applications dans des domaines tels que l'identification des caractéristiques du sol, la surveillance urbaine, les études agricoles et l'évaluation environnementale. Cependant, ce type de données présente généralement de nombreuses bandes spectrales, d'importantes variations d'échelle des cibles, des arrière-plans complexes et un nombre limité d'échantillons étiquetés, ce qui rend la détection de cibles particulièrement difficile. Les méthodes traditionnelles de correspondance spectrale et d'analyse statistique des caractéristiques peinent à traiter simultanément les informations spectrales et spatiales, ce qui limite leur efficacité pour la détection de petites cibles et d'arrière-plans complexes. Ces dernières années, le développement de l'apprentissage profond a apporté une nouvelle solution pour la détection embarquée de cibles hyperspectrales. En extrayant automatiquement les caractéristiques spectrales et spatiales grâce à un apprentissage de bout en bout, cette technologie améliore considérablement la précision et la robustesse de la détection.

Figure 1Exemples d'images hyperspectrales du satellite Xiguang-1 01

En termes de méthodologie,Réseaux de neurones convolutifs spectraux-spatiaux(comme3D-CNNL'une des approches les plus courantes consiste à utiliser un CNN hybride (ou une combinaison des deux). Ces méthodes traitent les données hyperspectrales comme...données volumiques 3DEn effectuant simultanément des convolutions dans les dimensions spatiale et spectrale, il est possible de capturer la continuité et les informations de structure spatiale entre les bandes spectrales. Par exemple, les méthodes 3D-CNN pour l'identification des cultures peuvent détecter efficacement les cibles de petite taille et améliorer la précision globale de détection grâce à la fusion de caractéristiques convolutionnelles multicouches, mais leur coût de calcul est élevé et elles sont sensibles au nombre d'échantillons d'entraînement. Pour mettre en évidence les caractéristiques de la cible et supprimer les interférences dues à des arrière-plans complexes,Mécanisme d'attention spectral-spatialCette approche est intégrée à la structure du réseau. Grâce à une pondération de l'attention dans les dimensions spectrale et spatiale, elle améliore la réponse dans les bandes et régions clés, se révélant particulièrement efficace pour la détection de petites cibles, tout en améliorant la robustesse du modèle dans les environnements complexes.

La figure 2 montre le réseau CNSST, qui utilise une combinaison de branches convolutionnelles parallèles et de branches Transformer pour réaliser la reconnaissance de cibles hyperspectrales.

Fusion de fonctionnalités multi-échellesIl s'agit d'une autre technologie clé pour traiter les variations d'échelle des cibles dans les images hyperspectrales satellitaires. En intégrant les informations de caractéristiques provenant de différentes couches de convolution ou structures pyramidales, le modèle peut gérer les cibles à grande et petite échelle, obtenant ainsi de bons résultats de détection dans des scénarios tels que les bâtiments urbains, les routes ou les terres agricoles. Pour pallier le manque de données étiquetées, l'apprentissage par transfert et l'apprentissage avec peu d'exemples sont largement utilisés. En pré-entraîné le modèle sur des données de télédétection à grande échelle ou d'autres ensembles de données hyperspectrales, puis en l'affinant pour une tâche spécifique, le problème de la rareté des échantillons peut être atténué, la vitesse de convergence de l'entraînement peut être accélérée et une précision de détection élevée peut être maintenue.

La figure 3 montre MsFNet, qui utilise une architecture parallèle multi-branches et combine la convolution dilatée, le mécanisme d'attention et l'interaction des caractéristiques inter-échelles pour réaliser une fusion dynamique spectrale-spatiale multi-échelle dans la détection hyperspectrale.

Malgré les progrès significatifs réalisés par les méthodes susmentionnées en matière de détection de cibles hyperspectrales embarquées, certains défis subsistent, notamment des capacités de traitement en temps réel insuffisantes pour les données à grande échelle, des problèmes d'adaptabilité aux différentes plateformes embarquées et la difficulté de détecter de petits échantillons et des cibles rares.

Les développements futurs s'orientent vers la conception de modèles légers pour la détection en temps réel, la fusion de données multimodales pour améliorer la précision de la détection, l'apprentissage auto-supervisé ou semi-supervisé afin de réduire la dépendance aux données étiquetées, et les structures de réseaux de type Transformer pour capturer les dépendances spectrales et spatiales globales. De manière générale, les méthodes d'apprentissage profond sont devenues une technologie essentielle pour la détection de cibles hyperspectrales embarquées. L'optimisation continue des structures de réseaux et des stratégies d'apprentissage devrait permettre d'améliorer encore la précision et l'applicabilité de la détection, offrant ainsi un soutien important à la télédétection et à l'identification de cibles en surface.