Aufgrund signifikanter Unterschiede zwischen verschiedenen Hyperspektraldatensätzen hinsichtlich der Anzahl der Bänder, des Spektralbereichs und der räumlichen Auflösung unterscheiden sich auch die optimalen Netzwerkstrukturen für verschiedene Hyperspektraldatensätze. Darüber hinaus erfordert das manuelle Entwerfen von Deep-Learning-Netzwerken die Anpassung einer großen Anzahl von Hyperparametern, was zweifellos eine ernsthafte Herausforderung für die Entwicklung eines universellen Klassifikationsmodells darstellt, das für verschiedene HSI-Datensätze geeignet ist. In dieser Arbeit wird ein neuronales Architektur-Suchalgorithmus mit effizientem Aufmerksamkeitsmechanismus vorgeschlagen, der ein automatisches Design von Deep-Learning-Netzwerken ermöglicht, um Verzerrungen durch manuelles Netzwerkdesign zu vermeiden. Zunächst wurde zur Erstellung eines effizienten Suchprozesses ein modellbasiertes differenzierbares Architektur-Suchverfahren entwickelt, das die Suche nach Hyperparametern effektiv beschleunigt. Dann wurde zur Erreichung einer hohen Klassifizierungsgenauigkeit ein neuartiger modularer Suchraum entworfen. Schließlich wird aufgrund des durch Klassen-Ungleichgewichte in Hyperspektraldatensätzen verursachten Fehlklassifizierungsproblems die Poly-Verlustfunktion verwendet, um die Verlustgewichtung seltener Klassen zu erhöhen und somit die Erkennungsfähigkeit des Modells für diese Klassen zu verbessern. Die Experimente mit öffentlichen Hyperspektraldatensätzen zeigen, dass die vorgeschlagene Methode eine Gesamtklassifikationsgenauigkeit von 99,50% bzw. 97,81% erreicht hat. Die vorgeschlagene Methode erforscht die Anwendung der neuronalen Architektursuche in der Hyperspektralklassifikationsaufgabe und verbessert die Klassifizierungsgenauigkeit und die Effizienz des Algorithmusdesigns.

Hyperspektralbilder; Bildklassifikation; neuronale Architektur-Suche; Aufmerksamkeitsmechanismus