Devido às diferenças significativas entre diferentes conjuntos de dados hiperespectrais em número de bandas, faixa espectral e resolução espacial, as estruturas de rede ótimas para diferentes conjuntos de dados hiperespectrais também variam. Além disso, o design manual de redes de aprendizado profundo requer ajustar muitos hiperparâmetros, o que sem dúvida apresenta um desafio sério para projetar um modelo de classificação universal aplicável a vários conjuntos de dados HSI. Este artigo propõe um algoritmo de busca de arquitetura neural que combina um mecanismo de atenção eficiente, realizando o design automático de redes de aprendizado profundo para evitar o viés do design manual da rede. Primeiro, para construir um processo de busca eficiente, um modelo baseado em busca de arquitetura de rede diferenciável foi construído, que pode acelerar efetivamente a velocidade de busca dos hiperparâmetros da rede. Em seguida, para alcançar resultados de classificação de alta precisão, um novo espaço de busca modular foi projetado. Finalmente, considerando o problema de má classificação causado pelo desequilíbrio de classes nos conjuntos de dados hiperespectrais, a função de perda Poly foi adotada para aumentar o peso da perda das classes minoritárias, melhorando assim a capacidade do modelo de reconhecer essas classes. Os resultados experimentais em conjuntos de dados hiperespectrais públicos mostram que o método proposto atingiu precisão geral de classificação de 99,50% e 97,81%, respectivamente. O método proposto explora a aplicação da busca de arquitetura neural na tarefa de classificação hiperespectral, melhorando a precisão da classificação e a eficiência do design do algoritmo.

Imagens hiperespectrais; classificação de imagens; busca de arquitetura neural; mecanismo de atenção