بهبود طبقه بندی تصاویر ابر طیفی با استفاده از مدل ترکیبی شبکه های کپسول و درخت تصمیم تقویتی

با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابر طیفی استفاده شده است، به گونه ای که ساختار شبکه بتواند با استفاده از یک لایه کانوولوشنی و یک لایه کپسول بهترین حالت تولید ویژگی ها را داشته باشد و در عین حال از بیش برازش شبکه بر روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. در راستای بهبود دقت طبقه-بندی، رویکرد استخراج ویژگی از طریق شبکه ی طراحی شده و طبقه بندی توسط الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی توسط شبکه ی عمیق سراسری مقایسه شد تا علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی توسط روش پیشنهادی در طبقه بندی کننده های مختلف، میزان توانایی شبکه های عمیق سراسری نیز در کاربرد طبقه بندی مورد بررسی قرار گیرد. رویکرد کپسول پیشنهادی شامل ۳ لایه اساسی: ۱) Prime caps که کپسول هایی به اندازه ۸ و ۳۲ فیلتر ۹×۹ و گام حرکتی ۲ ،۲) Digitcaps دارای۱۰ کپسول ۱۶ بعدی و۳)لایه تماما متصل می باشد. که نتایج حاصل از بررسی دو رویکرد برای شبکه ی عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکرد های نظیر SVM, RF-۲۰۰, LSTM, GRU و GRU-Pretanh برای مقایسه ی رویکرد پیشنهادی براساس پیکربندی هایی که در تحقیقات ان ها اشاره شده بود در نظر گرفته شدند. برای ارزیابی مدل پیشنهادی همچنین مجموعه داده ی Indian Pines که شامل ۱۶ کلاس مختلف می باشد مورد استفاده قرار گرفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت ۹۹ درصد بر روی داده های آموزش و دقت ۵/۹۷ درصد بر روی داده های تست انجام می شود.

کلیدواژه ها:

طبقه بندی ، تصاویر ابر طیفی ، شبکه های کپسول ، درخت تقویتی ، مدل ترکیبی