ملخص
نظرًا لصعوبة الحصول على صور الطيف الفائق ذات التوصيف (HSI)، تحظى طرق تصنيف HSI المبنية على التعلم القليل العينات باهتمام كبير. تفترض طرق التعلم القليل العينات الشائعة عادةً تساوي توزيع عينات التدريب والاختبار، ولكن بسبب تأثير ظروف التصوير وعوامل أخرى، غالبًا ما توجد اختلافات في التوزيع بين HSI المختلفة، مما يجعل من الصعب تحقيق أداء تصنيفي عالٍ باستخدام الطرق التقليدية. لذلك، قدمت هذه الدراسة طريقة تصنيف عبر المجال لـ HSI تعتمد على شبكة نموذج الثقة المفككة. أولاً، تم استخدام شبكة الالتفاف ثلاثية الأبعاد المتبقية لاستخراج الميزات العميقة للعينة للاستفادة الكاملة من المعلومات الفضائية والطيفية لـ HSI؛ ثم، باستخدام شبكة التفكيك، تم فصل الوظائف في الميزات العميقة لتحقيق تمثيل أكثر تركيزًا للميزات المستقلة عن المجال والمخصصة للمجال؛ بعد ذلك، باستخدام شبكة نموذج الثقة، تم اختيار عينات ذات ثقة عالية من مجموعة الاستعلام وإعادة حساب نموذج فئة أكثر موثوقية؛ وأخيرًا، من خلال الجمع بين نماذج الفئة ذات الثقة العالية والنماذج الأصلية، تم تحقيق تصنيف أفضل باستخدام التعلم القليل العينات. تم التحقق من فعالية الطريقة المقترحة في هذه الدراسة من خلال تجارب مقارنة مع طرق أخرى على عدة مجموعات بيانات حقيقية للطيف الفائق.
مفهوم
صور الطيف الفائق;تصنيف;التعلم القليل العينات;شبكة التفكيك;تكييف المجال;نموذج الفئة;شبكات الالتفاف العصبية;التعلم بالنقل
اقتباس
صورة hyperspectral هسي ( صورة hyperspectral ) هو عرض في شكل مكعب ثلاثي الأبعاد ، والتي تحتوي على وفرة الخصائص الطيفية والمعقدة المعلومات المكانية ، ويستخدم على نطاق واسع في التنمية الحضرية )Baur等，2018الرصد البيئي )Wang等，2016التنقيب عن المعادن )Siebels等，2020) وغيرها من المجالات . هسي التصنيف هي واحدة من المهام الأساسية والهامة في هذه التطبيقات ، التي تهدف إلى تخصيص فئة فريدة من نوعها العلامات لكل بكسل على أساس الخصائص المكانية الطيفية هسي . هسي التصنيف يشمل عادة الضحلة والعميقة النماذج )Kong等，2024. لا ومن بين هذه الأساليب ، الضحلة غالبا ما يكون من الصعب استخراج هسي معقدة الخصائص الطيفية والمكانية . وتحقيقا لهذه الغاية ، تم تطبيق طريقة التعلم العميق هسي تصنيف المهام . مثل :Hang等（2021）من خلال الجمع بين الاهتمام مع وحدة convolutional الشبكة العصبية ( سي ان ان ان ) ، الطيف الاهتمام الاهتمام المكاني الشبكة الفرعية هي التي شيدت .Zhang等（2018）باستخدام سي ان ان و عوامل الترجيح من عدة مناطق ، ونحن دراسة السياق المعلومات التفاعلية هسي ، وبالتالي استخراج أكثر تميز الطيفية الخصائص المكانية . وبالنظر إلى أن القائمة سي ان ان تجاهل الضحلة والعميقة معلومات تكميلية ،Feng等（2019）من خلال دمج خصائص متعددة الطبقات المكانية الطيفية و prelabeling موثوقية عالية عينات ، سي ان ان ان overfitting المشكلة في عملية التدريب هو مرتاح .
على الرغم من أن التعلم العميق يظهر أداء ممتاز في هسي تصنيف المهام ، فإنه غالبا ما يعتمد على عدد كبير من الشرح عينات . ومع ذلك ، فإنه يأخذ الكثير من الوقت والتكلفة البشرية لوضع العلامات هسي عينات . ولذلك ، وكيفية تحقيق عالية الدقة هسي التصنيف باستخدام عدد قليل من العلامات عينات أصبحت واحدة من النقاط الساخنة في مجال الاستشعار عن بعد في السنوات الأخيرة .朱传海等（2023）في هذه الورقة ، فإننا نقترح شبكة التوأم على أساس التصنيف الخلفي احتمال الفضاء ، والتي يمكن أن تقلل من الاعتماد على عينات من خلال الجمع بين المعلومات من الغطاء الأرضي الخلفي احتمال التصنيف .陈杰虎和汪西莉（2022）تشابه العلاقة بين الصور في ميزة الفضاء هو على غرار الرسم البياني الرسم البياني الإلتواء العملية المستخدمة في صقل خصائص نفس الفئة من الصور ، من أجل تعزيز التمييز بين مختلف فئات الصور . نقل التعلم يوفر طريقة جديدة لحل مشكلة ندرة المسمى عينات ، والتي تهدف إلى نقل المعرفة المستفادة من مهمة ( مصدر المجال ) مع ما يكفي من المسمى عينات مهمة ( الهدف المجال ) مع عدد أقل من المسمى عينات . ومع ذلك ، تتأثر بعوامل مثل الغلاف الجوي ، ورطوبة التربة ، وأجهزة الاستشعار المعلمات ، حتى لو هسي مختلفة من نفس أجهزة الاستشعار لا تزال لديها بعض الاختلافات في التوزيع ، مما يؤثر بشكل كبير على أداء المصنف . التكيف مع المجال هو الأسلوب الكلاسيكي في نقل التعلم ، والتي يمكن رسم خرائط البيانات من اثنين من المجالات التي هي مختلفة ولكن مماثلة إلى نفس ميزة الفضاء ، وبالتالي استخراج ميزة ثابتة من اثنين من المجالات و استخدامها لتصنيف المهام .Deng等，2019. لا مثلZhao等（2022）من أجل الحفاظ على المعلومات المكانية هسي كسور الانصهار ، مقارنة مع البيانات الطيفية يدار هسي ، وأخيرا تقليل الفرق في توزيع الخصائص المكانية الطيفية من خلال التكيف الذاتي شبكة النطاق .周莲等（2024）في هذه الورقة ، فإننا نقترح الانتباه التعاوني وحدة لتوجيه الشبكة إلى إيلاء اهتمام وثيق المعلومات المستهدفة ، وتعزيز البيانات من عينات التدريب من أجل توسيع نطاق مجموعة البيانات .Yu等（2021）الكثافة على أساس الشبكة العصبية هي المقدمة التي يمكن استخدامها لاستخراج المميز الطيفية والمكانية الميزات .Zhong等（2020）Firstly, the joint probability distribution adaptive method is used to adapt the edge probability distribution and conditional probability distribution in different domains. Then, the model parameters trained on the source domain are transferred to the target domain and fine tuned.Ganin和Lempitsky（2014）في هذه الورقة ، على أساس نظرية التعلم القائم على العداء ، وهو مجال الشبكة العصبية العداء ( دان ) المقترحة . ومع ذلك ، هذه الأساليب عادة ما تفترض أن المجال المستهدف و المجال المصدر تشترك في تسمية الفضاء ، لذلك لا يمكن تصنيف فئات جديدة من المجالات المستهدفة التي لم تشاهد من قبل .
في السنوات الأخيرة ، عينة صغيرة من التعلم ( FSL ) وقد اقترح استخدامها لحل المشاكل المذكورة أعلاه . عينة صغيرة من التعلم عادة ما ينظر إليها أيضا على أنها مشكلة الهجرة من المجال المصدر إلى المجال المستهدف )Sun等，2019ومع ذلك ، على عكس الطريقة التقليدية في مجال التكيف ، مصدر المجال المجال المستهدف لا يشتركون في نفس التسمية الفضاء . عينة صغيرة من التعلم هو أساسا ميتا طريقة التعلم )Wang等，2021باستخدام استراتيجية التعلم القائم على المهام ( metatask ) في المجال المصدر ، ونحن الحصول على المعرفة العامة ( metaknowledge ) التي يمكن أن تساعد في تصنيف واحد فقط أو عدة مجالات الهدف المسمى عينات . في الآونة الأخيرة ، عينة صغيرة من التعلم كما تم استخدامها لتصنيف الصور الفائقة الطيفية المهام . مثلLiu等（2019）طريقة dfsl ( عميق في عرض التعلم ) المقترحة .He等，2016في هذه الورقة ، فإننا نقدم 3d-cnn لبناء شبكة res3d-cnn الإلتواء المتبقية لاستخراج الخصائص الطيفية من عمق الفضاء ، والتعلم من الفضاء المتري من أربعة مصادر البيانات الفائقة الطيفية من خلال الجمع بين نموذج الشبكة . في هذا الفضاء المتري ، عينات من نفس النوع هي قريبة من بعضها البعض ، في حين أن عينات من أنواع مختلفة هي بعيدة عن بعضها البعض . وعلاوة على ذلك ، فإن الدعم الموجه ماكينات ( SVM ) يستخدم في الاختبار .Melgani和Bruzzone，2004أقرب جار ( ن ن ن ) المصنف تستخدم للتنبؤ unlabelled بيانات النطاق المستهدف .陈华杰等（2024）في هذه الورقة ، فإننا نقترح خوارزمية التعلم عبر النطاق الهجرة على أساس عينة ذات الصلة الفرز . أولا ، في مجال الهدف عينات تضاف إلى مصدر المجال تصنيف المهام ، ثم يتم ترتيب العينات ذات الصلة ، ومن ثم ، من خلال الجمع بين استراتيجية التعلم الذاتي الإشراف ، الإشراف الذاتي زاوية عرض التنبؤ مساعدة فرع في مجال الهدف تصنيف الشبكة .
عينة صغيرة من التعلم يمكن أن يحقق نتائج جيدة في التصنيف عندما يكون هناك عدد قليل جدا من العينات المسمى في المجال المستهدف ، ولكن ضمنيا يفترض أن عينة من المجال المستهدف يأتي من نفس المجال كما في المجال المصدر . ومع ذلك ، هناك اختلافات كبيرة في التوزيع بين المصدر والهدف من العينات ، حتى فئة الفضاء لا تتداخل . علاوة على ذلكGuo等（2020）يشار إلى أن بعض العينات الصغيرة التعلم ليست فعالة جدا في التعامل مع عينة صغيرة من المهام . ولذلك ، وكيفية حل مشكلة توزيع النطاق الفرق في عينة صغيرة من التعلم يصبح تحديا كبيرا . وردا على هذه المشكلة ،Li等（2022）في هذه الورقة ، عميق عبر المجال عينة صغيرة طريقة التعلم ( dcfsl عميق عبر المجال عرض ) هو المقدمة .Long等，2018من أجل الحد من الفرق بين اثنين من المجالات ، ونحن استخدام مصدر واحد فوق البيانات للتنبؤ أربعة مجالات أخرى . ومع ذلك ، فإن الإفراط في محاذاة عبر المجال يمكن أن تضر أداء التعلم من عينة صغيرة ، من أجل حل هذه المشكلة ، فصل الشبكة المستخدمة في فصل خصائص العينة في مجال الثوابت ومجال خصائص محددة . فقط استخدام ميزة ثابتة في مجال تصنيف عينة صغيرة من المهام ، وتجنب تأثير المجال ميزة معينة قدر الإمكان .
في هذه الورقة ، فإننا نقترح طريقة جديدة لتصنيف العينات الصغيرة على أساس dcpn ( فصل الثقة نموذج الشبكة ) من أجل التخفيف من تدهور أداء نموذج التعميم بسبب اختلاف توزيع النطاق هسي وتحسين دقة تصنيف العينات الصغيرة . . . . . . . أولا ، عمق الطيف الخصائص المكانية هسي يتم الحصول عليها عن طريق استخدام 3D المتبقية سي ان ان و عمق الخصائص الفنية مفصولة فصل الشبكة . ثم ، يتم فرز عينات من الثقة العالية مجموعات الاستعلام وحساب أكثر موثوقية النموذج . وأخيرا ، أكثر دقة تصنيف عينة صغيرة يمكن أن يتحقق من خلال الجمع بين النموذج الأصلي مع موثوقية عالية تصنيف النموذج . من أجل توفير تقنية فعالة الاحتياطي لتحديات الاستشعار عن بعد صورة ذكية تفسير مثل ندرة العلامات عينة المجال الهجرة ، وما إلى ذلك ، فإن هذه الورقة تقدم طريقة جديدة لحل هذه المشكلة .
فصل شبكة نموذج الثقة
مصدر البيانات الميدانيةمجموعة بيانات النطاق المستهدفتشمل على التواليو .فئة . على أساس ما إذا كان أو لم يكن هناك تسمية عينة ، مجموعة البيانات في المجال المستهدف يمكن تقسيمها إلى مجموعة عينة مع التسمية .غير المسمى مجموعة عينةمنتدىتستخدم ميتا التدريب ، في حين أن النموذجنتيجة dcpn التقييم . ومع ذلك ،لا يمكن أن تشكل مجموعة دعم الاستعلام مجموعة من عينة صغيرة من المهام في المجال المستهدف .في هذه الورقة ، 5 عينات من كل فئة يتم استخراجها و كلمة غاوسي الضوضاء المضافة .منتدى
إن dcpn يتكون من جزأين : ميتا ميتا التدريب والاختبار . عملية التدريب ميتاFig. 1كما هو مبين . وهي تتألف أساسا من مصدر المجال عبر المجال عينة صغيرة و الهدف عبر المجال عينة صغيرة من المهام . في هذه الورقة ، فإننا نقدم عينة صغيرة من المهام عبر المجال المصدر على سبيل المثال .
( 1 ) metatask يتكون من عينة من مصدر المجال .مجموعة الاستعلامتكوين . وبالإضافة إلى ذلك ، مجموعة بيانات الشرحاختيار عشوائي من عدة عينات على شكل مجموعة من العينات في المجال المستهدفجزءا لا يتجزأ من ميزات هسي يتم استخراجها باستخدام ميزة النازع .وو .في وقت لاحق ، جزءا لا يتجزأ من ميزة الإدخال إلى فصل الشبكة ، على التوالي ، المجال ميزة ثابتةووالمجال ميزات محددةوون
( 2 ) ميزة ثابتة من مصدر المجال ودعم مجموعة الاستعلام مجموعة يتم إرسالها إلى نموذج الثقة شبكة لحساب عينة صغيرة من فقدان التعلمفي هذه الورقة ، فإننا اختيار عينة من مجموعة الاستعلام مع موثوقية عالية وحساب دعم مجموعة للحصول على تعديل النموذج . من خلال حساب وتقليص مسافة إقليديةن
( 3 ) مجال ثابت و المجال ميزات محددة من مصدر المجال المجال المستهدف يتم إرسالها إلى المجال المصنف ، و الارتباك وفقدان النطاق محسوبالمجال المميز الضياعمرحلة الاختبارFig. 2أولا ، ميزة استخراج وفصل شبكة استخراجو .المجال ميزة ثابتةوبعد استخدام ن ن المصنف ، جميع العينات غير المسمىجعل فئة التنبؤ .
ميزة استخراج
المنطقة المجاورة كتل هسي يتم استخراج عينات المدخلات ، بكسل يتم تجهيزها في وقت واحد على طول المحور المكاني و المحور الطيفي باستخدام 3d-cnn ، وبالتالي أكثر تميز المكانية الطيفية ميزة هسي يمكن استخراجها . مجموعة دعم المجال المصدر
نوعووإذ تعرب عن تأييدها لعدد فئات المجموعات ،يمثل عدد العينات لكل فئة ،طويلة / واسعة ،يمثل البعد الطيفي من مصدر البيانات الميدانية .
مصدر المجال مجموعة الاستعلام
نوعيمثل عدد ملحوظ من العينات ، ودعم مجموعة الاستعلام مجموعة عينات لا تتزامن .
مجموعة بيانات النطاق المستهدف
نوعويمثل البعد الطيفي للبيانات في المجال المستهدف ،منعدد العينات التي تم اختيارها عشوائيا في المجال المستهدف .
من أجل جعل البعد الطيفي من مصدر البيانات المجال المجال المستهدف متسقة ، مصدر البيانات المجال المجال المستهدف طبقة طبقة رسم الخرائط المستخدمة في تجهيزها . من بينها ، ورسم الخرائط طبقة يتم تنفيذها من قبل 2d-cnn . عملية رسم الخرائط على النحو التالي :
نوعو .هو الإلتواء نواة المصدر والمقصد على التوالي ،الإلتواء العملية . ميزة الإخراجالذيهو موحد الأبعاد الطيفية من اثنين من المجالات التي تم تجهيزها من قبل طبقة رسم الخرائط . في وقت لاحق ، ونحن استخدام عمق المتبقية 3d-cnn ميزة استخراج خريطة طبقة الإخراج ، وبالتالي الحصول علىوو .ميزة استخراج يتكون من طبقة رسم الخرائط وعمق 3d-cnn المتبقية .وميزة البعد .
فصل الشبكة
الاختلافات في توزيع بيانات التدريب واختبار البيانات يمكن أن يؤدي إلى انخفاض القدرة على التعميم من عينة صغيرة من أساليب التعلم . من أجل حل هذه المشكلة ، الطريقة الشائعة هي محاذاة توزيع المصدر والهدف من المجالات . ومع ذلك ، فإن هذا النهج سيؤدي حتما إلى محاذاة ميزات محددة في المجال . وعلاوة على ذلك ، لأن الهدف من فئة النطاق لا تتزامن مع مصدر المجال ، محاذاة النطاق ميزات محددة يمكن أن تؤثر على القدرة على التعميم من النموذج في المجال المستهدف . ولذلك ، ميزة خاصة في مجال ميزة يمكن فصلها ، فقط باستخدام ميزة ثابتة في مجال تصنيف عينة صغيرة ، وبالتالي الحد من الآثار السلبية الناجمة عن الإفراط في توزيع المجال المحاذاة . مثلLiu等（2018）أولا ، من خلال الجمع بين التكيف مع طريقة فصل فكرة النطاق ، مصدر المجال ميزة يمكن فصلها إلى ميزة ثابتة و ميزة خاصة في المجال . تساو et al ( 2018 ) إلى أن عمق الشبكة العصبية يمكن أن تنتج درجة عالية من اقتران مميزة ، والتي تحتاج إلى فصل في مختلف الخصائص الكامنة لجعلها أكثر تفسيرية .Fu等（2021）في هذه الورقة ، فإننا استخدام الترميز جزء من اثنين التغييرية التشفير التلقائي لاستخراج السمات المحتملة من الانفصال .على سبيل المثال :
التشفير الأولتستخدم لاستخراج ميزة ثابتة في المجال .
التشفير الثانيتستخدم لاستخراج ميزات محددة من المجال .
نوعو .المعلمات من اثنين من التشفير ، على التوالي . من خلال هذه الميزة فصل الشبكة ، ونحن الحصول على ميزة ثابتة من مصدر المجال مجموعة الدعمووالمجال ميزات محددةوومنتدىو .المجال ميزة ثابتة و المجال ميزة محددة الأبعاد ، على التوالي .
نموذج شبكة الثقة
باستخدام ميزة ثابتة في المجالو .حساب الخسائر في تصنيف العينات الصغيرة ، كل فئة من النماذج هو دعم مجموعة من خصائص كل فئة من العينات يعني الصيغة الحسابية على النحو التالي :
نوعمجموعة دعم المجال المصدرعدد العيناتتمثل المادةفئة النموذج . نموذج شبكة الحوسبة مجموعة الاستعلام عينةفي كل فئة النموذج ، وحساب توزيع كل فئة الاستعلام عينة . سايتنتمي إلى المادةالصيغ لحساب الاحتمالات هي كما يلي :
نوعصيغة لحساب مسافة إقليدية ،مجموع عدد فئات الدعم . استنادا إلى عينة من مجموعة الاستعلامصحيح التسميةتصنيف الخسائر في جميع مجموعات الاستعلام عن
تصنيف عينات صغيرة تعتمد على المسمى عينات من مجموعات الدعم . ولذلك ، عندما يكون هناك عدد قليل جدا من الشرح عينات ، حساب فئة النموذج قد يكون الانحراف . في هذه الورقة ، فإننا نستخدم نموذج الثقة شبكة توزيع الوزن على عينات من مجموعات الاستعلام غير المشروح ، من أجل إعادة حساب النموذج . المادةتعديل نموذج الطبقةالعملية الحسابية هي كما يلي :
نوععينة من الثقة التي تمثل مجموعة الدعم هو دائما 1 .دعم مجموعةفئة عينة مجموعة .معايير اختيار عينة من الاستعلام مجموعة تمثل مستوى عال من الثقة هي كما يلي :
نوعفقط الاستعلام عينات مع الثقة أكبر من عتبة المشاركة式（8）إذا كان هناك أي ثقة عالية عينة ، ثم الاستمرار في استخدام式（5）النموذج . يحسب مجموع المسافات الإقليدية بين محاذاة النموذج ودعم مجموعة من النماذج لجميع الفئات :
2-4 تصنيف المجالات
المجال المصنفواحدة من المهام في مجال التصنيف هو استخدام ميزة ثابتة لخلط المجال المصنف ، وحساب فقدان النطاق الارتباك :
نوعمعلمات المجال المصنف ،وو .هو مصدر المجال دعم مجموعة ، مجموعة الاستعلام مصدر المجال ، المجال المستهدف عينة ثابتة التسمية .وحساب وظيفة kullback leibler الاختلاف الخسارة . المجال المصنف مهمة أخرى تهدف إلى جعل المجال ميزة محددة يمكن تحديدها من قبل المجال المصنف .
نوعوو .المجال المميز العلامات هي مصدر المجال مجموعة الدعم ، مصدر المجال مجموعة الاستعلام ، المجال المستهدف عينة ، على التوالي .و .يتم تعيين جميع القيم إلى 1 ،جميع القيم 0 .عبر الكون وظيفة .
دالة الهدف
مجموع دالة الهدف من عينة صغيرة من المهام في مجال المصدر
نوعووو .معامل الخسارةيمثل مجموع الخسائر عبر النطاق عينة صغيرة من المهام في المصدر المجال . إذا كانت العينة الصغيرة المهمة في المجال المستهدف هو مماثلة إلى مصدر المجال ، ثم مجموع دالة الهدف من dcpn
مجموع دالة الهدف式（13）و ( 14 ) يتم تحديثها بالتناوب حتى نموذج متقارب .
الإعداد التجريبية وتحليل النتائج
3-1 عرض مجموعات البيانات
من أجل التحقق من صحة dcpn الأسلوب ، ستة بيانات عامة هسي مجموعات مختارة ، بما في ذلك UP（University of Pavia）、PC（Pavia Center）、IP（Salinas、Indian Pines）、Chikusei و ( whu-hi-longkou ) لك . اختيار chikusei مع أكبر عدد من فئات الكائنات مثل مصدر البيانات الميدانية ، وغيرها من 5 مجموعات البيانات مثل اختبار مجموعة من المجالات المستهدفة )Li等，2022. لا chikusei مجموعة البيانات التي تم الحصول عليها في مدينة تسوكيشي ، اليابان ، في 29 تموز / يوليه 2014 باستخدام headwall hyperspec-vnir-c التصوير الاستشعار ، تغطي المناطق الحضرية والزراعية ، بما في ذلك 19 أنواع من الكائنات و 128 نطاقات التردد . الطول الموجي 343-1018 نانومتر ، مجموعبكسل ، القرار المكانية 2.5 م ، تفاصيل الفئة عينة من المعلومات مثلFig. 3كما هو مبين .
حتى مجموعة البيانات التي تم الحصول عليها من أجهزة الاستشعار في جامعة بافيا روسيسبعد إزالة الضوضاء ، والغلاف الجوي ، وامتصاص المياه وتداخل العصابات ، 103 العصابات المتبقية المستخدمة في التجربة ، الطول الموجي 430-860 نانومتر ، بما في ذلك 9 أنواع من الكائنات الأرضية ، و تصنيف مفصل و عينة من المعلومات مثلFig. 4كما هو مبين .
الكمبيوتر مجموعة البيانات التي تم الحصول عليها من خلال أجهزة الاستشعار في مدينة روسيس في شمال إيطاليا .الكمبيوتر مجموعة البيانات يحتوي على 9 أنواع من الكائنات الأرضية ، الكمبيوتر جزء من التجربة هو اعتراضها على إجراء التجارب ، تفاصيل التصنيف و معلومات العينة مثلFig. 5كما هو مبين .
الملكية الفكرية مجموعة البيانات التي تم جمعها في عام 1992 من قبل aviris مطياف في شمال غرب ولاية إنديانا ، الولايات المتحدة الأمريكية . بعد إزالة الضوضاء الفرقة ، مجموعة بيانات الملكية الفكرية تتكون من 200 فرقة ، الطول الموجي هو 40-2500nm . . . . . . .هذه الصورة هي تستخدم أساسا في البحوث الزراعية ذات الصلة ، بما في ذلك ما مجموعه 16 فئات ، فئات مفصلة وعينات من المعلومات مثلFig. 6كما هو مبين .
ساليناس مجموعة البيانات التي تم الحصول عليها باستخدام أجهزة الاستشعار aviris في ساليناس فالي ، كاليفورنيا ، الولايات المتحدة الأمريكية .مجموعة البيانات التي تحتوي على 16 أنواع من الكائنات ، القرار المكانية 3-7 م ، تفاصيل التصنيف و معلومات العينة مثلFig. 7كما هو مبين .
ك مجموعة البيانات التي تم الحصول عليها من التصوير الجوي الكاميرا في منطقة زراعية في مدينة ونغ كوه بمقاطعة هوبى . مجموعة البيانات يحتوي على 270 نطاقات طيفية ،القرار المكانية 0.463 م ، تفاصيل التصنيف و عينة من المعلومات مثلFig. 8كما هو مبين .
3-2 الإعداد التجريبي
من أجل التحقق من صحة dcpn الأسلوب ، ستة هسي مجموعات البيانات المختارة . اختيار chikusei مع أكبر عدد من فئات الكائنات كمصدر المجال ، وغيرها من 5 مجموعات البيانات كما هدف المجال . جميع التجارب التي أجريت على أجهزة الكمبيوتر مع إنتل كور i7-6850k وحدة المعالجة المركزية ، نفيديا غيفورسي GTX 1080 تي و 32 غيغابايت من الذاكرة باستخدام بيثون 3-6 و ماتلاب 2017a الإطار . أربعة مؤشرات الأداء المستخدمة في التجربة ، وهي : تصنيف دقة التصنيف العام الدقة ( الزراعة العضوية ) ، كابا معامل متوسط دقة التصنيف ( أأ ) . كل تجربة أجريت بشكل مستقل لمدة 10 مرات و متوسط كان تعادل .
سبعة أنواع من أساليب التصنيف تم اختيارها ومقارنتها مع بعضها البعض ، بما في ذلك الطبقة الضحلة طريقة التصنيف ( SVM ) ، عمق طريقة التعلم ( res-3d-cnn ) ، مجال التكيف طريقة ( دان و كدان ) ، عينة صغيرة طريقة التعلم ( dfsl + SVM و dfsl + ن ن ) و عبر المجال عينة صغيرة طريقة ( dcfsl ) . SVM و res-3d-cnn باستخدامكما مجموعة التدريب ، dfsl + SVM و dfsl + ن ن يشير إلى إعدادات dfsl . chikusei ، هوستون ، botswana كينيدي مركز الفضاء تشكل مصدر المجال . أقل من 200 من العينات يتم التخلص منها ، و 100 نطاقات مختارة لضمان اتساق البيانات المدخلة البعد . في مجال التكيف أساليب دان و كدان ، مصدر المجال يتفق مع dcpn . . . . . . .غير المشروح عينة من المجال المستهدف يستخدم اثنين من مجال التوزيع المحاذاة .
من أجل ضمان ما يكفي من حجم العينة ، ونحن التخلي عنوفقا لنموذج التعلم الفوقية ، في كل مرة يتم تدريب الطلاب علىكلمة استخراجاستخراج عشوائي من كل فئةدعم مجموعة من مصدر المجالو أخذ عينات عشوائية من العينات الأخرى .مصدر المجال مجموعة الاستعلامأمروومناختيار عشوائي من 128 عينات لبناء مجموعة بيانات النطاق المستهدف دون تسميةهسي طول وعرض المدخلات هي 9 . الهدف هو نفس النطاق عبر عينة صغيرة الإعداد .
ميزة استخراج هيكل الشبكةFig. 9هذا النموذج يتكون من طبقة رسم الخرائط ، واثنين من كتل المتبقية ، وهما أكبر تجمع طبقة واحدة التفاف طبقة . إن conv2d هو 2d-cnn طبقة رسم الخرائط ، والتي تهدف إلى رسم الخرائط الطيفية البعد من المصدر و الهدف في نفس البعد . الإلتواء نواة طبقة الخرائطوالمعلمات التي تحددها البيانات المدخلة . كونف حجمحجم يمثل أقصى تجمع طبقة .الإخراجوو .فصل الشبكة تتكون من طبقتين من التشفير ، حيث FC1 يستخدم لاستخراج السمات المشتركة ، FC21A و FC22A تستخدم لاستخراج السمات الثابتة في المجال ، FC21B و FC22B تستخدم لاستخراج السمات الخاصة في المجال . المجال المصنف يتكون من اتصال كامل طبقة dropout . . . . . . . اختيار آدم كما محسن ، تدريب عدد التكرار هو 10000 .
إعدادات أخرى مثل hyperparameterTable 1كما هو مبين .
Table 1 Hyperparameter settings on different datasets
| 数据集 | | | | 学习率 | | | | |
|---|
| UP | 100 | 80 | 40 | 0.010 | 0.3 | 1.0 | 1.0 | 1.0 |
| PC | 100 | 80 | 40 | 0.010 | 0.2 | 1.0 | 1.0 | 1.0 |
| IP | 90 | 80 | 40 | 0.003 | 0.3 | 1.0 | 1.0 | 1.0 |
| Salinas | 120 | 128 | 32 | 0.003 | 0.3 | 0.8 | 1.0 | 0.6 |
| LK | 60 | 100 | 50 | 0.010 | 0.0 | 0.5 | 0.1 | 0.1 |
3-3 النتائج التجريبية والتحليل
الجدول 2-6 مقارنة أداء SVM ، res-3d-cnn , دانن , كندي , dfsl + SVM ، dfsl + ن ن ن و dcfsl المصنف على خمس مجموعات البيانات ، على التوالي .
( 1 ) دقة التصنيف من بعض الفئات من قبل دان و كدان أقل من SVM ، مما يدل على أن الإفراط في محاذاة ميزة يمكن أن تقلل من دقة التصنيف في المصدر والهدف من المجالات التي لا تتداخل مع بعضها البعض .
( 2 ) مقارنة مع أساليب أخرى ، مهمة استراتيجية التعلم المستخدمة في عينة صغيرة من أساليب التعلم يمكن أن تساعد نموذج التعلم العام metaknowledge والحصول على أعلى دقة تحديد فئة جديدة .
( 3 ) مقارنة مع عينة صغيرة من أساليب التعلم ، عبر المجال عينة صغيرة طريقة التعلم dcfsl يحقق أعلى دقة التصنيف في المجال المستهدف . هذا هو لأنه يأخذ في الاعتبار الاختلافات في التوزيع بين المصدر و الهدف من المجالات ، في حين أن التعلم metaknowledge مصدر المجال ، فإنه يمكن أيضا الحصول على أقرب مصدر المجال والهدف من التوزيع ، وبالتالي الحصول على نموذج أكثر عمومية .
( 4 ) dcpn يحصل على أعلى مستوى من الزراعة العضوية في جميع مجموعات البيانات ، لأن dcpn يمكن فصل عمق الميزات المستخرجة من عمق الشبكة للحصول على الثوابت و ميزات محددة في المجال ، والجمع بين المصنفات المجال للحد من الفجوة بين المصدر والهدف من التوزيع . وفي الوقت نفسه ، dcpn يحسب تعديل النموذج عن طريق اختيار عينات من الاستعلام مع ارتفاع مستوى الثقة ، مما يجعل من تعديل النموذج الأصلي ودعم مجموعة أقرب في عملية التدريب .
( 5 ) في جميع مجموعات البيانات ، dcpn يستهلك الكثير من الوقت ، ويرجع ذلك أساسا إلى : من ناحية ، dcpn يستخدم 3D الإلتواء ، مما يحسن من قدرة الشبكة على استخراج الأصلي هسي المكانية الطيفية الميزات ، ولكن أيضا يجلب المزيد من التعقيد الحسابي . من ناحية أخرى ، ميتا إطار التعلم يشمل التدريب والاختبار بين المهام ، فضلا عن التدريب والاختبار بين المهام . كمية كبيرة من عينات الاختبار على التدريب المهمة يؤدي إلى ارتفاع استهلاك الوقت من dcpn . . . . . . .
Table 2 Comparison of classification results by different methods on the UP dataset
| 类别 | SVM | Res-3D-CNN | DANN | CDAN | DFSL+SVM | DFSL+NN | DCFSL | DCPN |
|---|
| 柏油路面/% | 61.94 | 99.90 | 73.12 | 75.45 | | 80.95 | 73.18 | 73.32 |
| 草地/% | 55.84 | | 69.60 | 90.36 | 66.41 | 82.17 | 89.19 | 94.79 |
| 碎石路面/% | | 49.95 | 40.88 | 41.45 | 50.53 | 50.57 | 52.20 | 55.25 |
| 树木/% | 85.88 | 84.67 | 91.83 | 90.19 | | 91.73 | 98.20 | 88.95 |
| 金属板屋顶/% | 99.10 | 98.58 | 86.64 | 97.76 | | | 98.51 | 100.00 |
| 裸地/% | 63.08 | 21.54 | 56.35 | 86.00 | 72.47 | 63.81 | | 64.51 |
| 沥青/% | 87.77 | 81.21 | 56.45 | 75.09 | 78.04 | | 78.94 | 79.85 |
| 砖/% | 71.63 | 46.59 | 69.92 | 70.17 | 66.06 | 57.98 | | 86.65 |
| 阴影/% | 100.00 | 94.37 | 100.00 | 97.88 | | 99.79 | 99.68 | 99.47 |
| OA/% | 64.44 | 70.15 | 69.60 | 73.30 | 73.98 | 77.83 | | 84.65 |
| AA/% | 75.61 | 68.66 | 71.64 | 71.02 | 79.54 | 78.82 | 82.98 | |
| Kappa | 0.5600 | 0.5969 | 0.6200 | 0.6400 | 0.6700 | 0.7100 | | 0.8000 |
| 耗时/s | 5.31 | | 939.03 | 997.31 | 1976.14 | 1991.89 | 1357.80 | 2118.96 |
Table 3 Comparison of classification results by different methods on the PC dataset
| 类别 | SVM | Res-3D-CNN | DANN | CDAN | DFSL+SVM | DFSL+NN | DCFSL | DCPN |
|---|
| 水体/% | 100.00 | | 98.11 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| 树木/% | 71.93 | 91.25 | 89.73 | 94.23 | | 92.52 | 90.49 | 90.49 |
| 草地/% | 76.43 | 67.52 | 42.59 | 53.09 | 80.41 | 81.54 | | 96.93 |
| 砖瓦地/% | 98.03 | 96.96 | 76.25 | 95.74 | | 99.95 | 99.25 | 98.78 |
| 裸露土地/% | 87.57 | 83.65 | 74.22 | 76.09 | 86.00 | 87.05 | | 99.30 |
| 草地/% | 95.20 | 97.26 | 93.08 | 94.99 | 95.75 | 94.26 | | 99.01 |
| 沥青路面/% | 90.66 | 95.22 | 60.27 | 90.71 | 97.41 | 97.97 | | 97.47 |
| 砖块/% | 88.14 | 99.28 | 25.06 | 52.23 | 47.48 | 62.03 | 98.85 | |
| 阴影/% | | 99.70 | 92.20 | 99.46 | 98.98 | 99.07 | 99.76 | 100.00 |
| OA/% | 95.23 | 96.03 | 86.13 | 92.05 | 94.41 | 95.19 | | 99.13 |
| AA/% | 89.77 | 92.30 | 72.39 | 84.06 | 88.75 | 90.56 | | 97.88 |
| Kappa | 0.9287 | 0.9401 | 0.7933 | 0.8811 | 0.9161 | 0.9278 | | 0.9870 |
| 耗时/s | 4.63 | | 1257.74 | 1309.38 | 2262.87 | 2302.59 | 1463.87 | 2379.79 |
Table 4 Comparison of classification results by different methods on the IP dataset
| 类别 | SVM | Res-3D-CNN | DANN | CDAN | DFSL+SVM | DFSL+NN | DCFSL | DCPN |
|---|
| 苜蓿/% | 68.29 | 87.80 | 39.02 | 97.56 | | | 97.56 | 97.56 |
| 非犁耕玉米地/% | | 14.97 | 6.39 | 27.48 | 22.56 | 26.07 | 22.35 | 45.82 |
| 少犁耕玉米地/% | 43.15 | 25.58 | 26.18 | 27.76 | 35.88 | 38.42 | 54.18 | |
| 玉米地/% | 43.53 | 33.19 | 42.24 | 53.45 | 78.02 | 87.93 | | 83.19 |
| 草地/牧地/% | 76.15 | 51.88 | 55.65 | 60.25 | 74.27 | 83.26 | 75.31 | |
| 草地/树木/% | 75.72 | | 50.07 | 85.93 | 94.62 | 88.96 | | 89.52 |
| 草地/修剪过的牧地/% | | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| 干草堆/% | 73.78 | 81.40 | 90.06 | 97.46 | 94.29 | 94.93 | 92.39 | |
| 燕麦/% | | | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| 非犁耕的大豆地/% | 44.57 | 57.70 | 54.19 | | 56.26 | 61.63 | 54.40 | 65.25 |
| 少犁耕的大豆地/% | 47.43 | 58.24 | 38.65 | 28.82 | 65.06 | 64.53 | | 76.29 |
| 清理过的大豆地/% | 31.29 | 38.61 | 37.59 | 31.29 | 34.69 | 34.52 | 50.34 | |
| 小麦/% | 92.00 | 98.00 | 96.50 | | 97.50 | 98.50 | 100.00 | 95.50 |
| 森林/% | 42.29 | 70.56 | 73.20 | 67.22 | 85.95 | 68.33 | 85.16 | |
| 建筑/草地/树木/机器/% | 23.62 | 27.30 | 57.22 | 54.86 | | 67.19 | 79.79 | 62.47 |
| 石钢塔/% | 84.09 | 96.59 | 94.32 | 88.64 | 100.00 | 96.59 | | |
| OA/% | 50.77 | 52.56 | 45.43 | 49.31 | 62.47 | 61.36 | | 69.92 |
| AA/% | 61.65 | 64.07 | 39.45 | 67.62 | 75.53 | 75.38 | | 78.83 |
| Kappa | 0.4473 | 0.4689 | 0.6007 | 0.4383 | 0.5758 | 0.5682 | | 0.6574 |
| 耗时/s | 1.18 | | 706.47 | 714.87 | 1898.06 | 1902.09 | 2240.70 | 5465.74 |
Table 5 Comparison of classification results by different methods on the Salinas dataset
| 类别 | SVM | Res-3D-CNN | DANN | CDAN | DFSL+SVM | DFSL+NN | DCFSL | DCPN |
|---|
| 西兰花-幼苗期1/% | | 87.80 | 98.35 | 95.96 | 94.91 | 98.25 | 100.00 | 100.00 |
| 西兰花-幼苗期2/% | 98.90 | 14.97 | 96.35 | 90.38 | 99.62 | 98.23 | | 99.81 |
| 休耕地/% | 78.59 | 25.58 | 37.85 | 78.44 | 88.33 | 90.92 | | 97.46 |
| 休耕地-粗犁/% | 98.63 | 33.19 | 100.00 | 99.71 | 99.42 | | | 99.78 |
| 休耕地-平整/% | 98.02 | 51.88 | 88.25 | | 93.04 | 94.09 | 94.46 | 94.20 |
| 残茬地/% | 97.27 | 89.93 | 99.34 | | 99.49 | 100.00 | 100.00 | 100.00 |
| 芹菜/% | 99.05 | 100.00 | 97.82 | 95.75 | 99.22 | 99.55 | 99.05 | |
| 葡萄-未整形/% | 60.78 | 81.40 | 14.26 | 56.54 | 52.09 | 71.97 | 66.97 | |
| 葡萄园-裸地/发育土壤/% | 98.61 | 93.33 | 99.08 | | 91.59 | 88.74 | 98.69 | 99.90 |
| 玉米-衰老期伴生杂草/% | 82.19 | 57.70 | 22.36 | 65.84 | 40.02 | 87.81 | | 83.50 |
| 罗马生菜-生长4周/% | 91.72 | 58.24 | 68.96 | 83.35 | 97.65 | 97.08 | 99.72 | |
| 罗马生菜-生长5周/% | 100.00 | 38.61 | 85.43 | 91.10 | | 99.12 | 100.00 | 99.27 |
| 罗马生菜-生长6周/% | 98.68 | 98.00 | 97.04 | 97.15 | 98.68 | 99.78 | | 98.02 |
| 罗马生菜-生长7周/% | 88.92 | 70.56 | 98.31 | 94.37 | 98.03 | 98.22 | 99.34 | |
| 葡萄园-自然生长/% | 37.56 | 27.30 | | 61.79 | 85.21 | 74.38 | 75.35 | 77.35 |
| 葡萄园-垂直架式/% | 91.84 | 96.59 | 83.96 | 86.57 | 89.62 | 97.23 | 100.00 | |
| OA/% | 80.22 | 82.51 | 69.90 | 80.22 | 81.88 | 87.62 | | 90.35 |
| AA/% | 88.71 | 91.72 | 79.38 | 78.10 | 80.03 | 93.45 | | 95.03 |
| Kappa | 0.7809 | 0.8065 | 0.6709 | 0.8690 | | 0.8628 | 0.8702 | 0.8929 |
| 耗时/s | 6.47 | | 735.72 | 757.09 | 1976.79 | 2030.75 | 2338.01 | 5372.43 |
Table 6 Comparison of classification results by different methods on the LK dataset
| 类别 | SVM | Res-3D-CNN | DANN | CDAN | DFSL+SVM | DFSL+NN | DCFSL | DCPN |
|---|
| 玉米/% | 86.39 | 98.67 | 94.20 | | 97.42 | 98.00 | 99.93 | 98.81 |
| 棉花/% | 42.68 | 93.56 | 39.46 | 26.97 | 92.39 | 72.17 | | 98.29 |
| 芝麻/% | 73.40 | 11.43 | | 84.57 | 77.36 | 78.12 | 93.03 | 82.85 |
| 阔叶大豆/% | 64.58 | 89.37 | 62.40 | 55.10 | 70.15 | 75.20 | 81.58 | |
| 窄叶大豆/% | 54.97 | 89.56 | 68.55 | 75.95 | 77.23 | | 98.46 | 95.88 |
| 大米/% | 85.80 | 83.12 | 72.37 | 79.63 | | 92.39 | 95.66 | 91.91 |
| 水体/% | 99.95 | 99.97 | | | 98.34 | 99.78 | | 99.94 |
| 道路和房屋/% | 49.28 | 50.32 | 35.82 | 64.02 | | 66.64 | 94.41 | 82.68 |
| 混合杂草/% | 62.88 | 63.73 | 63.11 | 49.75 | | 67.94 | 90.95 | 72.32 |
| OA/% | 79.55 | 91.06 | 79.32 | 77.54 | 87.49 | 87.97 | | 93.85 |
| AA/% | 68.88 | 75.52 | 69.32 | 67.26 | 86.51 | 82.96 | 94.66 | |
| Kappa | 0.7419 | 0.8829 | 73.92 | 0.7180 | 0.8414 | 0.8458 | | 0.9199 |
| 耗时/s | 12.86 | | 2335.09 | 2411.93 | 2338.78 | 2407.39 | 1677.83 | 2629.08 |
من أجل مقارنة تأثير مختلف أساليب التصنيف على مختلف مجموعات البياناتFig. 10هل أنت بخير ؟ - نعم -Fig. 14الرسم البياني لتصنيف مختلف مجموعات البيانات . من الرسم البياني ، dcpn المقترحة يمكن الحصول على أكثر سلاسة وأكثر تفصيلا تصنيف الصور على جميع مجموعات البيانات .
مع إنديان بينز مجموعة البيانات على سبيل المثال ، على سبيل المثالFig. 12كما هو مبين . بالمقارنة مع غيرها من الأساليب ، dcpn لديه الكثير من الأخطاء في بعض الفئات ( مثل الغابات ، وما إلى ذلك ) . ومن المعروف أن أفضل hyperparametric البحث على أساس دل من الصعب تحقيقه ، في حين أن dcpn يضيف حقل مختلطة الخسارة ، خسارة النطاق المميز والمسافة بين محاذاة النموذج ودعم مجموعة النموذج على أساس dcfsl تعلم الهدف . ومع ذلك ، dcpn يمكن تحقيق نتائج مماثلة أو أفضل في معظم الفئات . على سبيل المثال ، قد يكون هناك طرق أخرى أكثر من فول الصويا فول الصويا تنظيف الأرض خطأ مقسمة إلى أقل الحرث وغير الحرث الحرث . أكثر من أقل من فول الصويا المحراث محراث الأرض خطأ مقسمة إلى غير محراث الذرة . تقسيم المزيد من العشب / الأشجار في أكوام القش والغابات . أكثر من غير المحراث الذرة أقل المحراث الذرة ، فول الصويا فول الصويا فول الصويا غير المحراث وتنظيف الأراضي تنقسم إلى أقل المحراث . وبالإضافة إلى ذلك ، dcpn يمكن الحصول على نتائج أفضل بكثير من غيرها من أساليب المقارنة في المراعي على مجموعة البيانات ، الكرم على ساليناس مجموعة البيانات ، عارية / التربة النامية ، فول الصويا عريضة الأوراق على لك مجموعة البيانات .
وبالإضافة إلى ذلك ، أجريت تجارب للتحقق من تأثير مختلف مكونات dcpn على تصنيف الأداء .Table 7كما هو مبين . من .Table 7معروف
Table 7 Comparison of OA on the five datasets in ablation studies of different loss functions
| 数据集 | DCPN（w/ FSL） | DCPN（w/FSL and FC） | DCPN（w/FSL and FS） | DCPN |
|---|
| UP | 82.52 | 80.50 | 81.03 | 83.49 |
| PC | 97.13 | 97.71 | 97.71 | 98.66 |
| IP | 66.57 | 68.08 | 68.59 | 69.08 |
| Salinas | 87.96 | 88.40 | 89.57 | 91.46 |
| LK | 93.79 | 92.68 | 91.78 | 93.85 |
بالمقارنة مع غيرها من الأساليب ، dcpn يحقق أعلى مستوى من الزراعة العضوية في جميع مجموعات البيانات . من ناحية ، dcpn يدرك ميزة الاختلاط في مختلف المجالات في مجال الفضاء ميزة ثابتة شيدت من قبل نادي الضياع و خ الضياع ، و ميزة التمييز في مجال الفضاء ميزة محددة ، وبالتالي تحقيق الهدف من فصل ميزة فقط محاذاة ميزة ثابتة في المجال ، وبالتالي تخفيف مشكلة الهجرة السلبية الناجمة عن محاذاة ميزة معينة في المجال . من ناحية أخرى ، من خلال تقليلفي هذه الورقة ، فإننا ندرك محاذاة بين النموذج الأصلي من الدرجة الأولى و درجة عالية من الثقة نموذج من الدرجة الأولى ، مما يخفف من مشكلة انخفاض دقة التصنيف بسبب فئة نموذج التحول .
سوبر بارامترو .تحليل تأثير على دقة التصنيف
التحقق من المعلماتوعلى أداء dcpn التصنيف ، تحليل المعلمة أجريت تجارب على خمس مجموعات من هسي مجموعات البيانات .Fig. 15كما هو مبين . مرئي
كبير جدايعني الإفراط في إغلاق النموذج المنقح ودعم مجموعة من مراكز الفئة أثناء التدريب . صغير جداهذا يدل على أن عملية التدريب على أساس دعم مجموعة تصنيف مركز الاستعلام مجموعة التصنيف . قيمة كبيرة جدا أو صغيرة جدا يمكن أن يؤدي إلى انخفاض في الزراعة العضوية .
( 2 ) في جميع مجموعات البيانات ، معالزراعة العضوية أظهرت اتجاها تصاعديا ثم هبوطا . لأنه صغير جداقيمة يمكن أن يؤدي إلى عدم كفاية المعرفة الفوقية في مجال التعلم ، كبيرة جداوهذا يؤدي إلى الإفراط في تركيب النموذج إلى مصدر المجال .
وباختصار ، فإن مجموعة من المعلمات الموصى بهاومنتدى
نظرية العقد
في هذه الورقة ، فإننا نقترح طريقة جديدة لتصنيف الصور الفائقة الطيفية على أساس نموذج الثقة فصل الشبكة ، التي تهدف إلى الحد من دقة التصنيف بسبب عدم دقة التنبؤ في نموذج الشبكة . النتائج الرئيسية هي على النحو التالي : ( 1 ) فصل الشبكة المستخدمة للحصول على ميزة ثابتة وغير ثابتة ميزة النطاق ، فقط ميزة ثابتة النطاق يمكن تصنيفها إلى عينات صغيرة ، وبالتالي تقليل الآثار السلبية الناجمة عن ميزة محددة النطاق . ( 2 ) نموذج الثقة الشبكة المقترحة ، التي توزع الوزن على عينات من مجموعات الاستعلام غير ملحوظ ، من أجل إعادة حساب كل فئة من النماذج ، والتعاون مع مركز الدعم الأصلي مجموعات عينة ، والانتهاء من جودة عالية عينة صغيرة تصنيف المهام . النتائج التجريبية على صحة هسي مجموعات البيانات تبين أن الطريقة المقترحة يمكن الحصول على أعلى دقة التصنيف عبر النطاق ، ويمكن الحصول على أكثر سلاسة وأكثر تفصيلا تصنيف النتائج . وبالنظر إلى أن الحصول على الصور الفائقة الطيفية غالبا ما تتأثر الظروف الجوية ، ومعدات أخذ العينات ، وما إلى ذلك ، على أساس هذه الطريقة ، كيفية الحصول على أكثر قوة عالمية النطاق ، المجال ميزات محددة ، هي مسألة تستحق المناقشة .
