Red de supervisión débil de CViT que fusiona características locales y globales de doble rama para la clasificación...

Área de la Ciencia:

• Detección remota
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La clasificación de imágenes hiperespectrales (HSI) es vital para el análisis de datos espectrales.
• Las etiquetas ruidosas en los conjuntos de datos HSI degradan el rendimiento de los modelos de aprendizaje profundo.
• Los métodos de aprendizaje profundo existentes a menudo sacrifican la representación de características por la resistencia al ruido.

Objetivo del estudio:

• Desarrollar una red de clasificación HSI robusta y precisa que sea resistente a las etiquetas ruidosas.
• Mejorar las capacidades de aprendizaje de características manteniendo la eficiencia computacional.
• Mejorar la capacidad de generalización de los modelos de clasificación HSI.

Principales métodos:

• Propuso un transformador de visión convolucional (CViT) y una red de supervisión débil (CWSN).
• Utilizó una ligera red de dos ramas 1D-2D para la extracción de características espaciales y espectrales.
• Utilizó una cascada CNN-Vision Transformer para fusionar características locales y globales.

Principales resultados:

• El CWSN demostró fuertes capacidades anti-ruido en conjuntos de datos HSI de referencia.
• Se ha logrado una precisión de clasificación superior en comparación con los métodos existentes.
• Demostró robustez y versatilidad con equipos de entrenamiento limpios y ruidosos.

Conclusiones:

• La CWSN aborda efectivamente el desafío de las etiquetas ruidosas en la clasificación HSI.
• La red propuesta ofrece una solución robusta y versátil para el análisis preciso de HSI.
• Este enfoque equilibra la representación de características y la resistencia al ruido para mejorar el rendimiento.