Resumen de Seleção de bandas ruidosas baseado na integração de Stacked-Autoencoder e Redes Neurais Convolucionais para dados hiperespectrais

Mario Ernesto Jijón Palma, Caisse Amisse, Jaime Carlos Macuácua, Jorge A. Silva Centeno

• español

  La presencia de ruido en imágenes hiperespectrales provoca degradación y dificulta la eficiencia del procesamiento para clasificar la cobertura terrestre. Por tanto, la eliminación de ruido o la detección automática de bandas ruidosas en imágenes hiperespectrales se convierte en un desafío para la investigación en el área de la teledetección. Para abordar este problema, en este estudio se presenta un modelo integrado (SAE-1DCNN), basado en algoritmos de Deep Learning conocidos como: Stacked-Autoencoders (SAE) y Convolutional Neural Networks (CNN) para la selección y exclusión de bandas ruidosas. El modelo propuesto emplea capas convolucionales para mejorar el rendimiento de los codificadores automáticos centrados en la discriminación de datos de entrenamiento mediante el análisis de la firma hiperespectral del píxel. En el contexto de SAE-1DCNN, la información se comprime y la información redundante se identifica y elimina. Esto es posible dada la eficiencia de la arquitectura profunda basada en capas convolucionales y de agrupación. Los resultados obtenidos demuestran la capacidad del modelo para identificar automáticamente bandas ruidosas, lo que sugiere que nuestro enfoque tiene potencial y podría representar una alternativa prometedora para detectar bandas ruidosas en el preprocesamiento de datos hiperespectrales

• English

  The presence of noise on hyperspectral images causes degradation and hinders efficiency of processing for land cover classification. In this sense, removing noise or detecting noisy bands automatically on hyperspectral images becomes a challenge for research in remote sensing. To cope this problem, an integrated model (SAE-1DCNN) is presented in this study, based on Stacked-Autoencoders (SAE) and Convolutional Neural Networks (CNN) algorithms for the selection and exclusion of noisy bands. The proposed model employs convolutional layers to improve the performance of autoencoders focused on discriminating the training data by analyzing the hyperspectral signature of the pixel. Thus, in the SAE-1DCNN model, information can be compressed, and then redundant information can be detected and extracted by taking advantage of the efficiency of the deep architecture based on the convolutional and pooling layers. Hyperspectral data from the AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) sensor were used to evaluate the performance of the proposed automatic method based on feature selection. The results showed effectiveness to identify noisy bands automatically, suggesting that the proposed methodology was found to be promising and can be an alternative to identify noisy bands within the scope of hyperspectral data pre-processing

• português

  A presença de ruído em imagens hiperespectrais causa degradação e dificulta a eficiência no processamento para a classificação da cobertura terrestre. Portanto, a remoção do ruído ou a detecção automática de bandas ruidosas em imagens hiperespectrais torna-se um desafio para pesquisas na área de sensoriamento remoto. Para enfrentar esse problema, um modelo integrado (SAE-1DCNN) é apresentado nesse estudo, baseado nos algoritmos de Deep Learning conhecidos como: Stacked-Autoencoders (SAE) e Redes Neurais Convolucionais (CNN) para a seleção e exclusão de bandas ruidosas. O modelo proposto emprega as camadas convolucionais para melhorar o desempenho dos Autoencoders focados na discriminação dos dados de treinamento por meio da análise da assinatura hiperespectral do pixel. No contexto do SAE-1DCNN, as informações são comprimidas e a informação redundante é identificada e removida. Isso é possível dado à eficiência da arquitetura profunda baseada em camadas convolucionais e de agrupamento. Os resultados obtidos demonstram a capacidade do modelo em identificar automaticamente bandas ruidosas, sugerindo que a nossa abordagem tem potencial e pode representar uma alternativa promissora para a detecção de bandas ruidosas no pré-processamento de dados hiperespectrais