Терең оқыту борттық гиперспектрлік анықтауды қамтамасыз етеді: нысананы анықтау дәлдігін жақсартудың негізгі жолы

Борттағы гиперспектрлік кескіндер олардың арқасында пайда боладыЖоғары спектрлік ажыратымдылықжәнеКең көлемді кеңістіктік қамтуГиперспектрлік нысандар жер үсті нысандарын анықтау, қалалық мониторинг, ауылшаруашылық зерттеулері және қоршаған ортаны бағалау сияқты міндеттерде маңызды қолданысқа ие. Дегенмен, бұл деректер түрі әдетте көптеген спектрлік жолақтарды, үлкен нысана масштабының вариацияларын, күрделі фондарды және сирек таңбаланған үлгілерді қамтиды, бұл нысананы анықтау тапсырмаларын өте қиын етеді. Дәстүрлі спектрлік сәйкестендіру және статистикалық ерекшеліктер әдістері спектрлік және кеңістіктік ақпаратты бір уақытта өңдеуде қиындықтарға тап болады, бұл шағын нысандар мен күрделі фондарды анықтаудың тиімділігін шектейді. Соңғы жылдары терең оқыту технологиясының дамуы борттық гиперспектрлік нысананы анықтаудың жаңа шешімін ұсынды. Спектрлік-кеңістіктік ерекшеліктерді толық оқыту арқылы автоматты түрде алу арқылы анықтаудың дәлдігі мен беріктігін айтарлықтай жақсартады.

1-суретСигуан-1 01 спутнигінен алынған гиперспектрлік кескіндердің мысалдары

Әдістеме тұрғысынан алғанда,Спектрлік-кеңістіктік орамды желілер(сияқты3D-CNNЕң көп таралған тәсілдердің бірі - гибридті CNN (немесе екеуінің де тіркесімін) пайдалану. Бұл әдістер гиперспектрлік деректерді... ретінде қарастырады.3D көлемдік деректерКеңістіктік және спектрлік өлшемдерде бір мезгілде орамдарды орындау арқылы спектрлік жолақтар арасындағы үздіксіздік пен кеңістіктік құрылым туралы ақпаратты алуға болады. Мысалы, дақылдарды анықтау тапсырмаларына арналған 3D-CNN әдістері шағын масштабты нысандарды тиімді түрде анықтай алады және көп қабатты орамдық белгілерді біріктіру арқылы жалпы анықтау дәлдігін жақсарта алады, бірақ олардың есептеу құны жоғары және олар оқыту үлгілерінің санына сезімтал. Нысаналық белгілерді ерекшелеу және күрделі фондардан келетін кедергілерді басу үшін,Спектрлік-кеңістіктік зейін механизміБұл тәсіл желілік құрылымға енгізілген. Спектрлік және кеңістіктік өлшемдерге назар аудару арқылы ол негізгі жолақтар мен аймақтардағы жауапты күшейтеді, әсіресе шағын нысандарды анықтау үшін тиімді болып табылады, сонымен қатар күрделі ортада модельдің беріктігін арттырады.

2-суретте гиперспектрлік нысананы тануға қол жеткізу үшін параллель орамды тармақтар мен трансформатор тармақтарының тіркесімін пайдаланатын CNSST желісі көрсетілген.

Көп масштабты мүмкіндіктердің бірігуіБұл спутниктік гиперспектрлік кескіндердегі нысана масштабының ауытқуларын шешудің тағы бір негізгі технологиясы. Әртүрлі конволюциялық қабаттардан немесе пирамидалық құрылымдардан алынған ерекшеліктер туралы ақпаратты біріктіру арқылы модель ірі және шағын масштабты нысандарды өңдей алады, қалалық ғимараттар, жолдар немесе ауылшаруашылық жерлері сияқты сценарийлерде жақсы анықтау нәтижелеріне қол жеткізеді. Белгіленген деректер шектеулі болғандықтан, трансферлік оқыту және аз кадрлы оқыту кеңінен қолданылады. Модельді ірі масштабты қашықтықтан зондтау деректері немесе басқа гиперспектрлік деректер жиынтықтары бойынша алдын ала оқыту және содан кейін оны белгілі бір тапсырма үшін дәл баптау арқылы үлгі тапшылығы мәселесін шешуге, оқытудың конвергенция жылдамдығын жеделдетуге және жоғары анықтау дәлдігін сақтауға болады.

3-суретте гиперспектрлік анықтауда көп масштабты спектрлік-кеңістіктік динамикалық бірігуге қол жеткізу үшін кеңейтілген конволюцияны, назар аудару механизмін және көлденең масштабты ерекшеліктер өзара әрекеттесуін біріктіретін көп тармақты параллель архитектураны қолданатын MsFNet көрсетілген.

Борттық гиперспектрлік нысаналарды анықтауда жоғарыда аталған әдістердің айтарлықтай жетістіктеріне қарамастан, кейбір қиындықтар әлі де бар, соның ішінде ауқымды деректерді нақты уақыт режимінде өңдеу мүмкіндіктерінің жеткіліксіздігі, әртүрлі борттық платформаларға бейімделу мәселелері және шағын үлгілер мен сирек кездесетін нысаналарды анықтаудың қиындықтары.

Болашақ даму бағыттарына нақты уақыт режимінде анықтауға арналған жеңіл модельдік дизайн, анықтау дәлдігін арттыру үшін мультимодальды деректерді біріктіру, белгіленген деректерге тәуелділікті азайту үшін өзін-өзі басқаратын немесе жартылай басқарылатын оқыту және жаһандық спектрлік-кеңістіктік тәуелділіктерді анықтау үшін трансформаторға негізделген желілік құрылымдар кіреді. Жалпы алғанда, терең оқыту әдістері борттық гиперспектрлік нысананы анықтаудың негізгі технологиясына айналды. Желілік құрылымдар мен оқыту стратегияларын үздіксіз оңтайландыру арқылы анықтау дәлдігі мен қолданылуын одан әрі жақсартады деп күтілуде, бұл қашықтықтан зондтау мониторингі мен жер үсті нысанасын анықтауға күшті қолдау көрсетеді.