Debido a las diferencias significativas entre diferentes conjuntos de datos hiperespectrales en cuanto al número de bandas, rango espectral y resolución espacial, las estructuras óptimas de red adecuadas para diferentes conjuntos de datos hiperespectrales también varían. Además, el diseño manual de redes de aprendizaje profundo requiere ajustar una gran cantidad de hiperparámetros, lo que sin duda representa un desafío serio para diseñar un modelo de clasificación universal aplicable a varios conjuntos de datos HSI. Este artículo propone un algoritmo de búsqueda de arquitectura neuronal que combina un mecanismo de atención eficiente, logrando un diseño automático de redes de aprendizaje profundo para evitar sesgos en el diseño manual de redes. Primero, para construir un proceso de búsqueda eficiente, se construyó un modelo basado en la búsqueda de arquitectura de red diferenciable, el cual puede acelerar eficazmente la búsqueda de hiperparámetros de la red. Luego, para lograr resultados de clasificación de alta precisión, se diseñó un nuevo espacio de búsqueda modular. Finalmente, teniendo en cuenta el problema de clasificación errónea causado por el desequilibrio de clases en los conjuntos de datos hiperespectrales, se utilizó la función de pérdida Poly para aumentar el peso de pérdida de las clases minoritarias, mejorando así la capacidad del modelo para reconocer estas clases. Los resultados experimentales en conjuntos de datos hiperespectrales públicos muestran que el método propuesto alcanzó una precisión de clasificación total del 99.50% y 97.81%, respectivamente. El método propuesto explora la aplicación de la búsqueda de arquitectura neuronal en la tarea de clasificación hiperespectral, mejorando la precisión de clasificación y la eficiencia del diseño del algoritmo.

Imágenes hiperespectrales; clasificación de imágenes; búsqueda de arquitectura neuronal; mecanismo de atención