Aufgrund signifikanter Unterschiede in der Anzahl der Spektralbänder, des spektralen Bereichs und der räumlichen Auflösung zwischen verschiedenen Hyperspektraldatensätzen ist auch die optimale Netzwerkstruktur für verschiedene Hyperspektraldatensätze unterschiedlich. Darüber hinaus erfordert das manuelle Design von Deep-Learning-Netzwerken die Anpassung einer großen Anzahl von Hyperparametern, was zweifellos eine ernsthafte Herausforderung für das Design eines allgemeinen Klassifikationsmodells darstellt, das auf verschiedene HSI-Datensätze angewendet werden kann. Daher schlägt dieser Artikel einen Suchalgorithmus für neuronale Architektur vor, der einen effizienten Aufmerksamkeitsmechanismus für das automatische Design von Deep-Learning-Netzwerken kombiniert, um Voreingenommenheit beim menschlichen Design des Netzwerks zu vermeiden. Zunächst einmal baute dieser Artikel ein differenzierbares Netzwerkarchitektursuchmodell auf, um einen effizienten Suchprozess zu gestalten. Dann entwarf dieser Artikel einen neuen modularen Suchraum, um genaue Klassifikationsergebnisse zu erzielen. Schließlich, und um das Problem einer fehlerhaften Klassifikation aufgrund des Ungleichgewichts der Klassen von Hyperspektraldatensätzen zu berücksichtigen, verwendete dieser Artikel eine Poly-Verlustfunktion, um das Gewicht des Verlusts der Minderheitsklasse zu erhöhen und somit die Fähigkeit des Modells zu verbessern, diese Klassen zu erkennen. Die Experimente mit öffentlichen Hyperspektraldatensätzen zeigten, dass die Gesamtklassifizierungsgenauigkeit dieses Artikels 99,50% und 97,81% erreichte. Diese Methode untersucht die Anwendung der Suche nach neuronalen Architekturen in der Aufgabe der Hyperspektralklassifizierung und verbessert die Klassifizierungsgenauigkeit und die Effizienz des Algorithmusdesigns.

hyperspectral image;image classification;neural architecture search;attention mechanism