높은 스펙트럼 데이터 세트들 간에 밴드 수, 스펙트럼 범위 및 공간 해상도에서 상당한 차이가 있기 때문에, 다양한 높은 스펙트럼 데이터 세트에 적합한 최적의 네트워크 구조도 다릅니다. 또한, 수동으로 설계된 딥러닝 네트워크는 많은 하이퍼파라미터 조정을 필요로 하여, 다양한 HSI 데이터 세트에 적용 가능한 범용 분류 모델 설계에 심각한 도전을 야기합니다. 본 논문에서는 효율적인 어텐션 메커니즘을 결합한 신경 아키텍처 검색 알고리즘을 제안하여, 수동 설계의 편향을 피하기 위해 딥러닝 네트워크의 자동 설계를 구현하였습니다. 우선, 효율적인 검색 과정을 구축하기 위해, 미분 가능한 네트워크 아키텍처 검색 기반 모델을 설계하여 하이퍼파라미터 네트워크 검색 속도를 효과적으로 향상시켰습니다. 이후, 높은 정확도의 분류 결과를 달성하기 위해 새로운 모듈식 검색 공간을 설계하였습니다. 마지막으로, 높은 스펙트럼 데이터 세트에서 클래스 불균형으로 인한 오분류 문제를 고려하여, Poly 손실 함수를 활용하여 소수 클래스의 손실 가중치를 증가시켜 모델의 해당 클래스 인식 능력을 향상시켰습니다. 공개 높은 스펙트럼 데이터 세트에 대한 실험 결과, 제안된 방법은 전체 분류 정확도 99.50% 및 97.81%를 각각 달성하였습니다. 제안된 방법은 신경 아키텍처 검색을 높은 스펙트럼 분류 작업에 적용함으로써, 분류 정확도와 알고리즘 설계 효율성을 향상시켰습니다.

고스펙트럼 이미지; 이미지 분류; 신경 아키텍처 검색; 어텐션 메커니즘