Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình tối ưu sử dụng LCNN-GRU lai cho phân loại ảnh siêu phổ hiệu quả
Tóm tắt
Phân loại ảnh siêu phổ là nhiệm vụ gán nhãn lớp cho mỗi pixel trong ảnh được ghi lại bằng các cảm biến siêu phổ. Độ dimenison cao và thông tin không gian/quang phổ phong phú có trong ảnh siêu phổ thường làm tăng độ phức tạp trong việc chọn lựa đặc trưng và phân loại. Để khắc phục vấn đề này, một Mạng Lưới Thần Kinh Tích Chập Nhẹ (Lightweight Convolutional Neural Network) Tập Hợp (Ensemble) Rừng Ngẫu Nhiên (Random Forest) và Đơn Vị Tái Lặp Có Cổng (Gated Recurrent Unit) (Mạng Light CERG) được đề xuất cho việc phân loại ảnh siêu phổ. Trong các miền đích và nguồn, các tập hợp đặc trưng gọn gàng và phân biệt ổn định nhất được chọn thông qua việc sử dụng một Thuật Toán Tìm Kiếm Squirrel Cảm Hứng Từ Đột Biến Thích Nghi Mới (AM-QSSA). Sự thay đổi tập dữ liệu và độ liên quan của đặc trưng là hai khái niệm khác nhau được đưa vào hàm mục tiêu. Mạng Light CERG được sử dụng cho việc phân loại ảnh siêu phổ và nó cũng kết hợp cả mô hình học sâu và các mô hình tập hợp dựa trên cây. Mạng Light CERG sử dụng Rừng Ngẫu Nhiên (RF), Học Sâu (DL), CNN Nhẹ (Lightweight CNN) và Đơn Vị Tái Lặp Có Cổng (GRU) để xây dựng một khung xếp chồng cho phân loại ảnh siêu phổ, sử dụng ngữ nghĩa kỹ thuật và thông tin trước đó làm biến đầu vào. Để tránh vấn đề quá khớp theo dữ liệu, phương pháp kiểm tra chéo (cross-validation) đã được sử dụng để tạo ra đầu vào, lặp lại cho bộ phân loại giai đoạn hai. Để chứng minh hiệu quả của phương pháp, các thí nghiệm bổ sung được thực hiện bằng cách sử dụng độ chính xác trung bình, độ chính xác tổng thể và các đo lường kappa trên ba tập dữ liệu phổ biến UAV-HSI-Crop-Dataset, Tập Dữ Liệu HSI Đại Học Pavia và HSI—Datasets.
Từ khóa
#Phân loại ảnh siêu phổ #Mạng lưới CNN nhẹ #Rừng ngẫu nhiên #Đơn vị tái lặp có cổng #Thay đổi tập dữ liệu #Học sâuTài liệu tham khảo
Haut JM, Paoletti ME, Plaza J, Plaza A, Li J (2019) Visual attention-driven hyperspectral image classification. IEEE Trans Geosci Remote Sens 57(10):8065–8080
Barrera JS, Echavarría A, Madrigal C, Herrera-Ramirez J (2020) Classification of hyperspectral images of the interior of fruits and vegetables using a 2D convolutional neuronal network. J Phys Conf Ser 1547(1):012014
Li S, Song W, Fang L, Chen Y, Ghamisi P, Benediktsson JA (2019) Deep learning for hyperspectral image classification: an overview. IEEE Trans Geosci Remote Sens 57(9):6690–6709
Kumar B, Dikshit O, Gupta A, Singh MK (2020) Feature extraction for hyperspectral image classification: a review. Int J Remote Sens 41(16):6248–6287
Cao X, Yao J, Xu Z, Meng D (2020) Hyperspectral image classification with convolutional neural network and active learning. IEEE Trans Geosci Remote Sens 58(7):4604–4616
Shang X, Yang T, Han S, Song M, Xue B (2021) Interference-suppressed and cluster-optimized hyperspectral target extraction based on density peak clustering. IEEE J Selected Top Appl Earth Observ Remote Sens 14:4999–5014
Yu C, Huang J, Song M, Wang Y, Chang CI (2022) Edge-inferring graph neural network with dynamic task-guided self-diagnosis for few-shot hyperspectral image classification. IEEE Trans Geosci Remote Sens 60:1–13
Hong D, Gao L, Yao J, Zhang B, Plaza A, Chanussot J (2020) Graph convolutional networks for hyperspectral image classification. IEEE Trans Geosci Remote Sens 59(7):5966–5978
Vaddi R, Manoharan P (2020) Hyperspectral image classification using CNN with spectral and spatial features integration. Infrared Phys Technol 107:103296
Hang R, Liu Q, Hong D, Ghamisi P (2019) Cascaded recurrent neural networks for hyperspectral image classification. IEEE Trans Geosci Remote Sens 57(8):5384–5394
Zhou F, Hang R, Liu Q, Yuan X (2019) Hyperspectral image classification using spectral-spatial LSTMs. Neurocomputing 328:39–47
Jiang M, Liu J, Zhang L, Liu C (2020) An improved Stacking framework for stock index prediction by leveraging tree-based ensemble models and deep learning algorithms. Physica A 541:122272
Bhagat M, Kumar D, Kumar S (2022) Bell pepper leaf disease classification with LBP and VGG-16 based fused features and RF classifier. Int J Info Technol 465:1–11
Zhong S, Chang CI, Li J, Shang X, Chen S, Song M, Zhang Y (2019) Class feature weighted hyperspectral image classification. IEEE J Selected Top Appl Earth Observ Remote Sens 12(12):4728–4745
Shen J, Cao X, Li Y, Xu D (2018) Feature adaptation and augmentation for cross-scene hyperspectral image classification. IEEE Geosci Remote Sens Lett 15(4):622–626
Yu C, Xue B, Song M, Wang Y, Li S, Chang CI (2018) Iterative target-constrained interference-minimized classifier for hyperspectral classification. IEEE J Selected Top Appl Earth Observ Remote Sens 11(4):1095–1117
Paoletti ME, Haut JM, Pereira NS, Plaza J, Plaza A (2021) Ghostnet for hyperspectral image classification. IEEE Trans Geosci Remote Sens 59(12):10378–10393
He X, Chen Y, Lin Z (2021) Spatial-spectral transformer for hyperspectral image classification. Remote Sensing 13(3):498
Okwuashi O, Ndehedehe CE (2020) Deep support vector machine for hyperspectral image classification. Pattern Recogn 103:107298
Zheng Z, Zhong Y, Ma A, Zhang L (2020) FPGA: Fast patch-free global learning framework for fully end-to-end hyperspectral image classification. IEEE Trans Geosci Remote Sens 58(8):5612–5626
Li W, Duan L, Xu D, Tsang IW (2013) Learning with augmented features for supervised and semi-supervised heterogeneous domain adaptation. IEEE Trans Pattern Anal Mach Intell 36(6):1134–1148
Zhang Y, Wei C, Zhao J, Qiang Y, Wu W, Hao Z (2022) Adaptive mutation quantum-inspired squirrel search algorithm for global optimization problems. Alex Eng J 61(9):7441–7476
Bhattacharjee S, Kim CH, Prakash D, Park HG, Cho NH, Choi HK (2020) An efficient lightweight CNN and ensemble machine learning classification of prostate tissue using multilevel feature analysis. Appl Sci 10(22):8013
Karim ME, Maswood MMS, Das S, Alharbi AG (2021) BHyPreC: a novel Bi-LSTM based hybrid recurrent neural network model to predict the CPU workload of cloud virtual machine. IEEE Access 9:131476–131495
Camehl A (2022) Penalized estimation of panel vector autoregressive models: a panel LASSO approach. Int J Forecast. https://doi.org/10.1016/j.ijforecast.2022.05.007
Bowen N, Quanlong F, Boan C, Cong O, Yiming L Jianyu Y (2022) UAV-HSI-crop-dataset. Retrieved February 17, 2023, from https://www.scidb.cn/en/detail?dataSetId=6de15e4ec9b74dacab12e29cb557f041
Kakarla S (2021) Pavia University hsi. Kaggle. Retrieved February 17, 2023, from https://www.kaggle.com/datasets/syamkakarla/pavia-university-hsi
Polat S, Tremeau A, Boochs F (2021) Rule-based classification of hyperspectral imaging data. arXiv preprint arXiv:2107.10638.
Rahman A, Beg MMS (2019) Face sketch recognition: an application of Z-numbers. Int J Inf Technol 11:541–548
Kumar D, Kumar D (2022) A spectral–spatial 3D-convolutional capsule network for hyperspectral image classification with limited training samples. Int J Info Technol 15:1–13
Verma A, Dhanda N, Yadav V (2022) Binary particle swarm optimization based edge detection under weighted image sharpening filter. Int J Info Technol 15:1–11