En raison de différences significatives dans le nombre de bandes spectrales, la gamme spectrale et la résolution spatiale entre les ensembles de données hyperspectrales différents, la structure réseau optimale est également différente pour différents ensembles de données hyperspectrales. De plus, le design manuel de réseaux de deep learning nécessite d’ajuster un grand nombre d’hyperparamètres, ce qui constitue sans aucun doute un défi sérieux pour concevoir un modèle de classification général applicable à divers ensembles de données HSI. Par conséquent, cet article propose un algorithme de recherche d'architecture neuronale combinant un mécanisme d'attention efficace pour la conception automatique de réseaux de deep learning afin d'éviter les biais du design humain du réseau. Tout d'abord, afin de construire un processus de recherche efficace, cet article a construit un modèle de recherche d'architecture réseau différenciable, cette méthode peut améliorer efficacement la vitesse de recherche des hyperparamètres du réseau. Ensuite, pour obtenir des résultats de classification précis, cet article a conçu un nouvel espace de recherche modulaire. Enfin, en tenant compte du problème de classification erronée causé par le déséquilibre des classes des ensembles de données hyperspectrales, cet article a adopté une fonction de perte Poly pour augmenter le poids de perte de la catégorie minoritaire, améliorant ainsi la capacité du modèle à reconnaître ces catégories. Les résultats de l'expérience sur des ensembles de données hyperspectrales publics montrent que la précision de classification globale de cet article a atteint 99,50% et 97,81%. Cette méthode explore l'application de la recherche d'architecture neuronale dans la tâche de classification hyperspectrale, améliorant la précision de la classification et l'efficacité de la conception de l'algorithme.

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