Терең окутуу борттогу гиперспектралдык аныктоону камсыз кылат: буталарды аныктоонун тактыгын жакшыртуунун негизги жолу

Борттогу гиперспектралдык сүрөттөр алардынЖогорку спектрдик чечилишжанаИри масштабдуу мейкиндикти камтууГиперспектралдык буталардын жер үстүндөгү объектилерди аныктоо, шаардык мониторинг, айыл чарба изилдөөлөрү жана айлана-чөйрөнү баалоо сыяктуу тапшырмаларда олуттуу колдонулушу бар. Бирок, бул типтеги маалыматтар, адатта, көптөгөн спектрдик тилкелерди, объектилердин масштабынын чоң өзгөрүүлөрүн, татаал фондорду жана сейрек кездешүүчү белгиленген үлгүлөрдү камтыйт, бул объектилерди аныктоо тапшырмаларын өтө татаалдаштырат. Салттуу спектрдик дал келтирүү жана статистикалык объектилер ыкмалары спектрдик жана мейкиндик маалыматын бир эле учурда иштетүүдө кыйынчылыктарга дуушар болот, бул кичинекей объектилерди жана татаал фондорду аныктоонун натыйжалуулугун чектелүү кылат. Акыркы жылдары терең окутуу технологиясынын өнүгүшү борттогу гиперспектралдык объектилерди аныктоо үчүн жаңы чечимди камсыз кылды. Спектрдик-мейкиндик объектилерин башынан аягына чейин окутуу аркылуу автоматтык түрдө алуу менен, ал аныктоонун тактыгын жана бекемдигин бир топ жакшыртат.

1-сүрөтСигуан-1 01 спутнигинен алынган гиперспектралдык сүрөттөрдүн мисалдары

Методология жагынан алганда,Спектрдик-мейкиндик конволюциялык тармактар(сыяктуу3D-CNNЭң кеңири таралган ыкмалардын бири - гибриддик CNNди (же экөөнүн тең айкалышын) колдонуу. Бул ыкмалар гиперспектралдык маалыматтарды... катары карайт.3D көлөм маалыматтарыМейкиндик жана спектрдик өлчөмдөрдө бир эле учурда конволюцияларды жүргүзүү менен, спектрдик тилкелердин ортосундагы үзгүлтүксүздүк жана мейкиндик түзүлүшү жөнүндө маалыматты алууга болот. Мисалы, өсүмдүктөрдү идентификациялоо тапшырмалары үчүн 3D-CNN ыкмалары чакан масштабдуу буталарды натыйжалуу аныктап, көп катмарлуу конволюциялык өзгөчөлүктөрдү бириктирүү аркылуу жалпы аныктоо тактыгын жакшырта алат, бирок алардын эсептөө баасы жогору жана алар окутуу үлгүлөрүнүн санына сезгич. Бута өзгөчөлүктөрүн бөлүп көрсөтүү жана татаал фондордон келген тоскоолдуктарды басуу үчүн,Спектрдик-мейкиндик көңүл буруу механизмиБул ыкма тармактын түзүмүнө киргизилген. Спектрдик жана мейкиндик өлчөмдөрүндө көңүлдү салмактоо аркылуу ал негизги тилкелерде жана аймактарда жоопту күчөтөт, өзгөчө кичинекей буталарды аныктоо үчүн натыйжалуу болуп чыгат, ошол эле учурда татаал чөйрөлөрдө моделдин туруктуулугун жогорулатат.

2-сүрөттө гиперспектралдык буталарды таанууга жетүү үчүн параллелдүү конволюциялык бутактардын жана Трансформатор бутактарынын айкалышын колдонгон CNSST тармагы көрсөтүлгөн.

Көп масштабдуу функциялардын айкалышыБул спутниктик гиперспектралдык сүрөттөрдөгү максаттуу масштабдын өзгөрүшүн чечүүнүн дагы бир негизги технологиясы. Ар кандай конволюциялык катмарлардан же пирамидалык структуралардан алынган өзгөчөлүк маалыматын интеграциялоо менен, модель ири масштабдуу жана чакан масштабдуу буталарды иштете алат, шаардык имараттар, жолдор же айыл чарба жерлери сыяктуу сценарийлерде жакшы аныктоо натыйжаларына жетишет. Чектелген белгиленген маалыматтар көйгөйү үчүн которууну үйрөнүү жана аз сандагы окутуу кеңири колдонулат. Моделди ири масштабдуу алыстан зонддоо маалыматтары же башка гиперспектралдык маалыматтар топтомдору боюнча алдын ала үйрөтүү жана андан кийин аны белгилүү бир тапшырма үчүн тактоо менен үлгүлөрдүн жетишсиздиги көйгөйүн жеңилдетүүгө, окутуунун конвергенция ылдамдыгын тездетүүгө жана жогорку аныктоо тактыгын сактоого болот.

3-сүрөттө гиперспектралдык аныктоодо көп масштабдуу спектрдик-мейкиндик динамикалык биригүүгө жетүү үчүн көп тармактуу параллелдүү архитектураны колдонгон жана кеңейтилген конволюцияны, көңүл буруу механизмин жана масштабдуу өзгөчөлүктөрдүн өз ара аракеттенүүсүн айкалыштырган MsFNet көрсөтүлгөн.

Борттогу гиперспектралдык буталарды аныктоодо жогоруда айтылган ыкмалар менен жетишилген олуттуу ийгиликтерге карабастан, кээ бир кыйынчылыктар, анын ичинде ири масштабдуу маалыматтарды реалдуу убакытта иштетүү мүмкүнчүлүктөрүнүн жетишсиздиги, ар кандай борттук платформаларга ыңгайлашуу маселелери жана кичинекей үлгүлөрдү жана сейрек кездешүүчү буталарды аныктоонун кыйынчылыктары сакталып калууда.

Келечектеги өнүгүү багыттарына реалдуу убакытта аныктоо үчүн жеңил моделди иштеп чыгуу, аныктоонун тактыгын жогорулатуу үчүн мультимодалдык маалыматтарды бириктирүү, белгиленген маалыматтарга көз карандылыкты азайтуу үчүн өзүн-өзү көзөмөлдөгөн же жарым-жартылай көзөмөлдөнгөн окутуу жана глобалдык спектрдик-мейкиндик көз карандылыктарын чагылдыруу үчүн трансформаторго негизделген тармактык структуралар кирет. Жалпысынан алганда, терең окутуу ыкмалары борттогу гиперспектралдык буталарды аныктоонун негизги технологиясына айланды. Тармактык структураларды жана окутуу стратегияларын үзгүлтүксүз оптималдаштыруу аркылуу, алыстан зонддоону мониторингдөө жана жер үстүндөгү буталарды аныктоо үчүн күчтүү колдоо көрсөтүү менен аныктоонун тактыгын жана колдонулушун андан ары жакшыртуу күтүлүүдө.