Học sâu cho phép phát hiện siêu phổ trên tàu: Một con đường quan trọng để nâng cao độ chính xác phát hiện mục tiêu

Hình ảnh siêu phổ trên tàu là do...Độ phân giải quang phổ caoVàPhạm vi phủ sóng không gian quy mô lớnDữ liệu siêu phổ có ứng dụng quan trọng trong các nhiệm vụ như nhận dạng đặc điểm địa hình, giám sát đô thị, khảo sát nông nghiệp và đánh giá môi trường. Tuy nhiên, loại dữ liệu này thường có nhiều dải phổ, kích thước mục tiêu biến đổi lớn, nền phức tạp và số lượng mẫu được dán nhãn ít, khiến việc phát hiện mục tiêu trở nên vô cùng khó khăn. Các phương pháp khớp phổ và đặc trưng thống kê truyền thống gặp khó khăn trong việc xử lý đồng thời thông tin phổ và không gian, dẫn đến hiệu quả hạn chế trong việc phát hiện các mục tiêu nhỏ và nền phức tạp. Trong những năm gần đây, sự phát triển của công nghệ học sâu đã cung cấp một giải pháp mới cho việc phát hiện mục tiêu siêu phổ trên tàu. Bằng cách tự động trích xuất các đặc trưng phổ-không gian thông qua huấn luyện từ đầu đến cuối, nó cải thiện đáng kể độ chính xác và độ bền vững của việc phát hiện.

Hình 1Ví dụ về ảnh siêu phổ từ vệ tinh Xiguang-1 01.

Về mặt phương pháp luận,Mạng tích chập không gian-phổ(giốngMạng nơ-ron tích chập 3DMột trong những phương pháp phổ biến nhất là sử dụng mạng CNN lai (hoặc kết hợp cả hai). Các phương pháp này xử lý dữ liệu siêu phổ như...Dữ liệu thể tích 3DBằng cách thực hiện đồng thời các phép tích chập ở cả chiều không gian và chiều quang phổ, có thể nắm bắt được thông tin về tính liên tục và cấu trúc không gian giữa các dải quang phổ. Ví dụ, các phương pháp 3D-CNN cho nhiệm vụ nhận dạng cây trồng có thể phát hiện hiệu quả các mục tiêu quy mô nhỏ và cải thiện độ chính xác phát hiện tổng thể thông qua việc kết hợp các đặc trưng tích chập đa lớp, nhưng chi phí tính toán của chúng cao và chúng nhạy cảm với số lượng mẫu huấn luyện. Để làm nổi bật các đặc điểm của mục tiêu và triệt tiêu nhiễu từ nền phức tạp,Cơ chế chú ý không gian-quang phổPhương pháp này được tích hợp vào cấu trúc mạng. Thông qua việc trọng số hóa sự chú ý ở cả chiều quang phổ và không gian, nó tăng cường phản hồi ở các dải tần và vùng quan trọng, chứng tỏ đặc biệt hiệu quả trong việc phát hiện các mục tiêu nhỏ, đồng thời cải thiện tính ổn định của mô hình trong môi trường phức tạp.

Hình 2 thể hiện mạng CNSST, sử dụng sự kết hợp giữa các nhánh tích chập song song và các nhánh Transformer để đạt được khả năng nhận dạng mục tiêu siêu phổ.

Hợp nhất tính năng đa tỷ lệĐây là một công nghệ quan trọng khác để giải quyết sự biến đổi về quy mô mục tiêu trong ảnh siêu phổ vệ tinh. Bằng cách tích hợp thông tin đặc trưng từ các lớp tích chập khác nhau hoặc cấu trúc kim tự tháp, mô hình có thể xử lý cả mục tiêu quy mô lớn và nhỏ, đạt được kết quả phát hiện tốt trong các trường hợp như nhà cửa đô thị, đường sá hoặc đất nông nghiệp. Đối với vấn đề dữ liệu được gán nhãn hạn chế, học chuyển giao và học ít mẫu được sử dụng rộng rãi. Bằng cách huấn luyện trước mô hình trên dữ liệu viễn cảm quy mô lớn hoặc các tập dữ liệu siêu phổ khác và sau đó tinh chỉnh nó cho một nhiệm vụ cụ thể, vấn đề khan hiếm mẫu có thể được giảm bớt, tốc độ hội tụ huấn luyện có thể được tăng tốc và độ chính xác phát hiện cao có thể được duy trì.

Hình 3 thể hiện MsFNet, sử dụng kiến ​​trúc song song đa nhánh và kết hợp phép tích chập giãn nở, cơ chế chú ý và tương tác đặc trưng đa tỷ lệ để đạt được sự kết hợp động quang phổ-không gian đa tỷ lệ trong phát hiện siêu phổ.

Mặc dù các phương pháp nêu trên đã đạt được những tiến bộ đáng kể trong việc phát hiện mục tiêu siêu phổ trên tàu, nhưng vẫn còn một số thách thức, bao gồm khả năng xử lý thời gian thực không đủ đối với dữ liệu quy mô lớn, các vấn đề về khả năng thích ứng với các nền tảng trên tàu khác nhau và khó khăn trong việc phát hiện các mẫu nhỏ và các mục tiêu hiếm.

Các hướng phát triển trong tương lai bao gồm thiết kế mô hình gọn nhẹ cho phát hiện thời gian thực, kết hợp dữ liệu đa phương thức để nâng cao độ chính xác phát hiện, học tự giám sát hoặc bán giám sát để giảm sự phụ thuộc vào dữ liệu được gắn nhãn, và cấu trúc mạng dựa trên Transformer để nắm bắt các phụ thuộc không gian-quang phổ toàn cục. Nhìn chung, các phương pháp học sâu đã trở thành công nghệ cốt lõi cho việc phát hiện mục tiêu siêu phổ trên tàu. Thông qua việc liên tục tối ưu hóa cấu trúc mạng và chiến lược học tập, dự kiến ​​sẽ tiếp tục cải thiện độ chính xác và khả năng ứng dụng của việc phát hiện, hỗ trợ mạnh mẽ cho việc giám sát từ xa và nhận dạng mục tiêu trên bề mặt.