Исходя из значительных различий в количестве спектральных диапазонов, спектральном диапазоне и пространственном разрешении между различными наборами данных гиперспектральных изображений, оптимальная структура сети также различна для различных наборов гиперспектральных данных. Кроме того, для человеческого дизайна глубоких сетей требуется настройка большого количества гиперпараметров, что несомненно представляет собой серьезное испытание для создания универсальной модели классификации для различных наборов данных HSI. Поэтому в этой статье предлагается алгоритм поиска нейронной архитектуры, который объединяет эффективный механизм внимания для автоматического дизайна глубокой сети, избегая пристрастий человеческого дизайна сети. Во-первых, для построения эффективного процесса поиска в этой статье построена модель дифференцируемого поиска архитектуры сети, этот метод может эффективно увеличить скорость поиска гиперпараметров сети. Затем, для достижения точных результатов классификации, в этой статье разработан новый модульный поисковый пространственный. Наконец, учитывая проблему неправильной классификации, вызванной дисбалансом классов наборов данных гиперспектральных изображений, в статье использована функция потерь Poly для увеличения веса потери меньшего класса, тем самым увеличивая способность модели распознавать эти классы. Результаты эксперимента на публичных наборах данных гиперспектральных изображений показывают, что общая точность классификации в этой статье составила 99,50% и 97,81%. Этот метод исследует применение поиска нейронной архитектуры в задаче классификации гиперспектральных изображений, увеличивает точность классификации и эффективность дизайна алгоритма.

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