بهبود طبقه بندی تصاویر ابرطیفی با استفاده از مدل ترکیبی شبکه های کپسول و درخت تصمیم تقویتی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه روز افزایش و عمومیت می یابد. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه گذشته، روش های بسیاری برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابرطیفی به کار رفته است؛ به گونه ای که ساختار شبکه بتواند، با استفاده از یک لایه کانولوشنی و یک لایه کپسول، بهترین حالت تولید ویژگی ها را داشته باشد و درعین حال از بیش برازش شبکه روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه بندی، رویکرد استخراج ویژگی ازطریق شبکه طراحی شده و طبقه بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی ازطریق شبکه عمیق سراسری مقایسه شد تا، علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی به روش پیشنهادی در طبقه بندی کننده های گوناگون، میزان توانایی شبکه های عمیق سراسری نیز، در کاربرد طبقه بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه اصلی است: 1) Prime با کپسول هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده بعدی؛ 3) لایه تماماً متصل. نتایج بررسی دو رویکرد برای شبکه عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسه رویکرد پیشنهادی براساس پیکربندی هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده Indian Pines نیز، شامل شانزده کلاس متفاوت، به کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت 99% روی داده های آموزش و دقت 5/97% روی داده های تست انجام می شود.Improving the Classification of Hyperspectral Images Using the Combined Model of CapsNet and the Extreme Gradient Boosting
With the development of remote sensing science, the use of hyperspectral images is becoming more widespread. Classification is one of the most popular topics in hyperspectral remote sensing. In the last two decades, a number of methods have been proposed to address the problem of hyperspectral data classification.In the present study, a structure based on learning capsule networks has been used to classify hyperspectral images, so that the network structure can have the most optimal generation of features by using a convolution layer and a capsule layer, and at the same time Avoid overfitting the on training data. The obtained results show the high quality of production features in the proposed structure. With the development of remote sensing science, the use of hyperspectral images is becoming more widespread. Classification is one of the most popular topics in hyperspectral remote sensing. In the last two decades, a number of methods have been proposed to address the problem of hyperspectral data classification.In the present study, a structure based on learning capsule networks has been used to classify hyperspectral images, so that the network structure can have the most optimal generation of features by using a convolution layer and a capsule layer, and at the same time Avoid overfitting the on training data. The obtained results show the high quality of production features in the proposed structure.In order to improve the classification accuracy, the feature extraction approach through the designed network and the classification by the Extreme Gradient Boosting was compared with the classification method by the global deep network. The proposed capsule approach consists of 3 basic layers: 1) Prime caps, which are capsules of size 8 and 32 with 9 × 9 filters and movement step 2, 2) Digitcaps with 10 16-dimensional capsules, and 3) fully connected layer. The results of examining two approaches for deep networking as well as combining capsule networks with XGBoost reinforcement tree algorithm were compared. Approaches such as SVM, RF-200, LSTM, GRU and GRU-Pretanh were considered to compare the proposed approach based on the configurations mentioned in their research.Up in addition to the study and quality measurement of production vector deep features by the proposed method in different classifiers, the ability of deep global networks in the application of classification should also be examined. The results of examining two approaches for deep network and also combining CapsNet with XGBoost show that by using the proposed combined method, images are classified with 99% accuracy on training data and 97.5% accuracy on test data.Up in addition to the study and quality measurement of production vector deep features by the proposed method in different classifiers, the ability of deep global networks in the application of classification should also be examined.The results of examining two approaches for deep network and also combining CapsNet with XGBoost show that by using the proposed combined method, images are classified with 99% accuracy on training data and 97.5% accuracy on test data.
تبلیغات
