En raison des différences significatives entre les différents ensembles de données hyperspectrales en termes de nombre de bandes, de gamme spectrale et de résolution spatiale, les structures de réseaux optimales adaptées à différents ensembles de données hyperspectrales varient également. De plus, la conception manuelle des réseaux de deep learning nécessite l'ajustement de nombreux hyperparamètres, ce qui constitue un défi majeur pour concevoir un modèle de classification universel adapté à divers ensembles de données HSI. Cet article propose un algorithme de recherche d’architecture neuronale combinant un mécanisme d’attention efficace, réalisant une conception automatique du réseau de deep learning afin d'éviter les biais liés à la conception manuelle. Tout d'abord, pour construire un processus de recherche efficace, un modèle basé sur la recherche d’architecture différentiable a été développé, permettant d’accélérer efficacement la recherche des hyperparamètres du réseau. Ensuite, pour obtenir des résultats de classification précis, un nouvel espace de recherche modulaire a été conçu. Enfin, en tenant compte du problème de classification erronée causé par le déséquilibre des classes dans les ensembles de données hyperspectrales, la fonction de perte Poly a été adoptée pour augmenter le poids de la perte des classes minoritaires, améliorant ainsi la capacité du modèle à reconnaître ces classes. Les résultats expérimentaux sur des ensembles de données hyperspectrales publics montrent que la précision globale de la classification a atteint respectivement 99,50 % et 97,81 %. La méthode proposée explore l’application de la recherche d’architecture neuronale dans la tâche de classification hyperspectrale, améliorant la précision de classification et l’efficacité de la conception d’algorithmes.

Images hyperspectrales; classification d’images; recherche d’architecture neuronale; mécanisme d’attention