ترکیب شبکه عصبی فازی پویا و مدل های پیش آموزش دیده شبکه عصبی کانولوشن به منظور طبقه بندی تصاویر فراطیفی

اخیرا روش های مبتنی بر یادگیری عمیق در زمینه طبقه بندی تصویر فراطیفی محبوبیت زیادی به دست آورده اند. با این حال، آموزش یک مدل یادگیری عمیق به تعداد زیادی نمونه برچسب دار نیاز دارد،که معمولا در تصاویر فراطیفی غیر عملی است. در این مقاله، یک روش استخراج ویژگی ساده اما موثر برای طبقه بندی تصویر فراطیفی و یک روش طبقه بندی فازی با استفاده از ویژگی های استخراج شده پیشنهاد شده است. یک شبکه عصبی کانولوشن عمیق از پیش آموزش دیده بر اساس مجموعه داده ImageNet برای استخراج ویژگی های مکانی یک تصویر فراطیفی استفاده می شود. مدل های از پیشآموزش دیده با استفاده از مجموعه داده ImageNet آموزش می بینند. این بدان معناست که روش پیشنهادی برای آموزش مدل عمیق به تعداد زیاد نمونه های فراطیفی دارای برچسب نیازی ندارد. بنابراین سرعت استخراج ویژگی تصاویر فراطیفی، با این مدل شبکه های کانولوشن چون نیازی به آموزش مدل یادگیری عمیق ندارد، سریع است . در نهایت، ویژگی های طیفی استخراج شده به عنوان ورودی طبقه بندی کننده DFNN قرار می گیرند. DFNN مبتنی بر شبکه های عصبی RBF هستند، که نورون ها را با توجه به عملکرد آن در سیستم به صورت خودکار اضافه یا حذف می کند و می تواند ساختار و پارامترها را همزمان تنظیم کند. روش پیشنهادی بر روی دو مجموعه داده تصویری فراطیفی ارزیابی می شود.