Resumen

Como una de las técnicas de teledetección y de imágenes espectrales de rápida evolución, la clasificación de imágenes hiperespectrales (HSI) ha atraído una considerable atención en diversos campos, como el estudio de terrenos, la supervisión de recursos, y entre otros. No obstante, debido a la falta de distinción en los píxeles hiperespectrales de las distintas clases, existe un obstáculo recurrente de inseparabilidad en el espacio primario. Además, un reto abierto se deriva de examinar técnicas eficientes que puedan clasificar e interpretar rápidamente las bandas de datos espectrales-espaciales dentro de un tiempo computacional más preciso. Por lo tanto, en este trabajo, proponemos una red neuronal convolucional 3D-2D y un modelo de aprendizaje de transferencia donde las primeras capas del modelo explotan las convoluciones 3D para modelar la información espectral-espacial. Encima hay capas convolucionales 2D para manejar la abstracción semántica principalmente. Para lograr la simplicidad y una red altamente modularizada para la clasificación de imágenes, aprovechamos el bloque ResNeXt-50 para nuestro modelo. Además, para mejorar la separabilidad entre clases y el equilibrio de los criterios interclase e intraclase, utilizamos el análisis de componentes principales (PCA) para obtener los mejores vectores ortogonales para representar la información de las HSI antes de alimentar la red. El resultado experimental muestra que nuestro modelo puede mejorar eficazmente la clasificación de imágenes hiperespectrales, incluyendo una representación instantánea de la información espectral-espacial. La evaluación de nuestro modelo en cinco conjuntos de datos hiperespectrales disponibles públicamente, Indian Pines (IP), Pavia University Scene (PU), Salinas Scene (SA), Botswana (BS) y Kennedy Space Center (KSC), se realizó con una alta precisión de clasificación del 99,85%, 99,98%, 100%, 99,82% y 99,71%, respectivamente. Los resultados cuantitativos demostraron que superó a varios enfoques basados en el estado de la técnica (SOTA), en redes neuronales profundas y en clasificadores estándar. Por lo tanto, ha proporcionado más información sobre la clasificación de imágenes hiperespectrales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:información espacial, banda de datos espaciales, red neuronal convolucional, centro espacial kennedy, atrajo considerable atención, red neuronal profunda, conjuntos de datos hiperespectrales disponibles, clasificación de imágenes hiperespectrales, tiempo computacional preciso, mejor vector ortogonal
• Keywords:spatial information, spatial data band, convolutional neural network, kennedy space center, attracted considerable attention, deep neural network, available hyperspectral datasets, hyperspectral image classification, precise computational time, best orthogonal vector