Из-за значительных различий между разными гиперспектральными наборами данных в количестве полос, спектральном диапазоне и пространственном разрешении, оптимальные архитектуры сетей для разных гиперспектральных наборов данных также различаются. Кроме того, ручное проектирование глубоких нейронных сетей требует настройки большого количества гиперпараметров, что безусловно создает серьезные трудности при разработке универсальной модели классификации для различных наборов ГСИ (гиперспектральных изображений). В данной работе предложен алгоритм нейронного архитектурного поиска с эффективным механизмом внимания, реализующий автоматический дизайн глубоких сетей для избежания искажения, связанного с ручным проектированием сетей. Во-первых, для построения эффективного процесса поиска построена модель на основе дифференцируемого архитектурного поиска, которая эффективно ускоряет поиск гиперпараметров сети. Затем, для достижения высокой точности классификации, разработано новое модульное пространство поиска. Наконец, учитывая проблему неправильной классификации, вызванную несбалансированностью классов в гиперспектральных данных, применена функция потерь Poly с увеличением весов потерь для мало представленных классов, что улучшает способность модели распознавать эти классы. Результаты экспериментов на публичных гиперспектральных наборах данных показывают, что общий уровень точности классификации достиг 99.50% и 97.81% соответственно. Предложенный метод исследует применение нейронного архитектурного поиска в задачах классификации гиперспектральных изображений, повышая точность классификации и эффективность проектирования алгоритмов.

гиперспектральные изображения; классификация изображений; нейронный архитектурный поиск; механизм внимания