Debido a las importantes diferencias en el número de bandas espectrales, el rango espectral y la resolución espacial entre diferentes conjuntos de datos hiperespectrales, la estructura de red óptima también es diferente para diferentes conjuntos de datos hiperespectrales. Además, el diseño manual de redes neuronales profundas requiere ajustar una gran cantidad de hiperparámetros, lo que sin duda supone un desafío serio para diseñar un modelo de clasificación general aplicable a diversos conjuntos de datos HSI. Por lo tanto, este artículo propone un algoritmo de búsqueda de arquitectura neuronal que combina un mecanismo de atención eficiente para el diseño automático de redes neuronales profundas para evitar los sesgos del diseño humano de la red. En primer lugar, para construir un proceso de búsqueda eficiente, este artículo construyó un modelo de búsqueda de arquitectura de red diferenciable, este método puede mejorar eficazmente la velocidad de búsqueda de hiperparámetros de red. Luego, para obtener resultados precisos de clasificación, este artículo diseñó un nuevo espacio de búsqueda modular. Finalmente, teniendo en cuenta el problema de la clasificación errónea causado por el desequilibrio de clases de los conjuntos de datos hiperespectrales, este artículo adoptó una función de pérdida Poly para aumentar el peso de pérdida de la categoría minoritaria, mejorando así la capacidad del modelo para reconocer estas categorías. Los resultados del experimento en conjuntos de datos hiperespectrales públicos muestran que la precisión de clasificación general de este artículo alcanzó el 99,50% y el 97,81%. Este método explora la aplicación de la búsqueda de arquitectura neuronal en la tarea de clasificación hiperespectral, mejorando la precisión de la clasificación y la eficiencia del diseño del algoritmo.

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