نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش از دور، گروه مهندسی فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

2 پژوهشگر، پژوهشگاه فضایی ایران، تهران

3 استاد، گروه مهندسی فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

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 شبکه‌های کپسول برای طبقه‌بندی تصاویر ابر طیفی استفاده شده است، به گونه‌ای که ساختار شبکه بتواند با استفاده از یک لایه کانوولوشنی و یک لایه کپسول بهترین حالت تولید ویژگی‌ها را داشته باشد و در عین حال از بیش‌برازش شبکه بر روی نمونه‌های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی‌های تولیدی در ساختار پیشنهادی دارد. در راستای بهبود دقت طبقه-بندی، رویکرد استخراج ویژگی از طریق شبکه‌ی طراحی‌شده و طبقه‌بندی توسط الگوریتم درخت تقویتی XGBoost، با روش طبقه‌بندی توسط شبکه‌ی عمیق سراسری مقایسه شد تا علاوه بر بررسی و کیفیت‌سنجی ویژگی‌های عمیق برداری تولیدی توسط روش پیشنهادی در طبقه بندی کننده‌های مختلف، میزان توانایی شبکه‌های عمیق سراسری نیز در کاربرد طبقه‌بندی مورد بررسی قرار گیرد. رویکرد کپسول پیشنهادی شامل 3 لایه اساسی: 1) Prime caps که کپسول‌هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2 ،2) Digitcaps دارای10 کپسول 16 بعدی و3)لایه تماما متصل می باشد. که نتایج حاصل از بررسی دو رویکرد برای شبکه‌ی عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکرد های نظیر SVM, RF-200, 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 16 کلاس مختلف می باشد مورد استفاده قرار گرفت. با استفاده از روش پیشنهادی ترکیبی، طبقه‌بندی تصاویر با دقت 99 درصد بر روی‌داده‌های آموزش و دقت 5/97 درصد بر روی‌داده‌های تست انجام می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Improving the classification of hyperspectral images using the combined model of CapsNet and the Extreme Gradient Boosting (XGBOOST)

نویسندگان [English]

  • Pouya Ahmadi 1
  • Tayebe Managhebi 2
  • Hamid Ebadi 3
  • Behnam Asghari 1

1 Faculty of Geomatics Engineering , K.N. Toosi University of Technology , Tehran , Iran

2 Researcher, Iran Space Research Institute, Tehran

3 Faculty of Geomatics Engineering , K.N. Toosi University of Technology , Tehran , Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Classification
  • Hyperspectral Images
  • CapsNet
  • XGBoost
  • Fusion Model