• Machine learning based hyperspectral image analysis: A survey


    হাইপারস্পেকট্রাল সেন্সরগুলি দৃশ্য উপকরণগুলির রাসায়নিক এবং শারীরিক বৈশিষ্ট্যগুলির অধ্যয়ন সক্ষম করে
    দূরবর্তীভাবে পরিবেশে পদার্থ সনাক্তকরণ, সনাক্তকরণ, রাসায়নিক রচনা বিশ্লেষণ এবং শারীরিক পরামিতি অনুমানের উদ্দেশ্যে। অতএব, হাইপারস্পেকট্রাল চিত্রগুলি পৃথিবী থেকে ধরা পড়ে
    উপগ্রহ এবং বিমান পর্যবেক্ষণ কৃষি, পরিবেশ নিরীক্ষণ, নগর পরিকল্পনা, খনন, এবং প্রতিরক্ষা ক্ষেত্রে ক্রমবর্ধমান গুরুত্বপূর্ণ হয়ে উঠেছে। মেশিন লার্নিং অ্যালগরিদমগুলি তাদের অসামান্য কারণে
    ভবিষ্যদ্বাণীমূলক শক্তি আধুনিক হাইপারস্পেকট্রাল ইমেজ বিশ্লেষণের মূল সরঞ্জাম হয়ে উঠেছে। অতএব, একটি কঠিন
    রিমোট সেন্সিং গবেষকদের জন্য মেশিন লার্নিংয়ের কৌশলগুলি বোঝা অপরিহার্য হয়ে উঠেছে
    এবং অনুশীলনকারীরা। এই কাগজটি সাম্প্রতিক মেশিন লার্নিং-ভিত্তিক হাইপারস্পেকট্রালকে সমীক্ষা করে এবং তুলনা করে
    সাহিত্যে প্রকাশিত চিত্র বিশ্লেষণ পদ্ধতি। আমরা চিত্র বিশ্লেষণ টাস্ক দ্বারা পদ্ধতিগুলি সংগঠিত করি
    এবং মেশিন লার্নিং অ্যালগরিদম ধরণের মাধ্যমে এবং চিত্রের মধ্যে দ্বি-দ্বি ম্যাপিং উপস্থাপন করুন
    বিশ্লেষণ কার্য এবং মেশিন লার্নিংয়ের বিভিন্ন ধরণের অ্যালগরিদম যা তাদের জন্য প্রয়োগ করা যেতে পারে। কাগজটি হাইপারস্পেকট্রাল ইমেজ বিশ্লেষণ কার্য এবং মেশিন লার্নিং অ্যালগরিদম উভয়ের কভারেজে বিস্তৃত। বিবেচিত চিত্র বিশ্লেষণের কাজগুলি হ'ল জমির আচ্ছাদন শ্রেণিবিন্যাস, লক্ষ্য / বিপর্যয় সনাক্তকরণ, আনমিক্সিং এবং শারীরিক / রাসায়নিক পরামিতি অনুমান। মেশিন লার্নিং অ্যালগোরিদম কভার গাউসীয় মডেলগুলি, লিনিয়ার রিগ্রেশন, লজিস্টিক রিগ্রেশন, সাপোর্ট ভেক্টর মেশিন, গউসিয়ান মিশ্রণ মডেল, প্রচ্ছন্ন রৈখিক মডেল, বিস্ময়কর রৈখিক মডেল, গাউসীয় মিশ্রণ মডেল, জড়ো শেখা, নির্দেশিত গ্রাফিক্যাল মডেল, ডায়রেক্টেড গ্রাফিক্যাল মডেল, ক্লাস্টারিং, গাউসিয়ান প্রসেস, ডিরিচলেট প্রক্রিয়া, এবং গভীর শিক্ষা। হাইপারস্পেকট্রাল ইমেজের ক্ষেত্রে আমরা উন্মুক্ত চ্যালেঞ্জগুলি নিয়েও আলোচনা করি বিশ্লেষণ এবং ভবিষ্যতের সম্ভাব্য দিকনির্দেশগুলি অন্বেষণ করুন।

    Index terms— Hyperspectral image analysis, machine learning, imaging spectroscopy, data analysis, survey

    1 Introduction
    ক্ষেত্রগুলিতে যেমন অ্যাপ্লিকেশন সহ কৃষি [76], বাস্তুশাস্ত্র [312], খনির [300], বনজ [118], নগর
    পরিকল্পনা [৩১৮], প্রতিরক্ষা [৩৩১], এবং মহাকাশ অনুসন্ধান [২৫০], হাইপারস্পেকট্রাল ইমেজিং একটি শক্তিশালী রিমোট দৃশ্য উপকরণের রাসায়নিক এবং শারীরিক বৈশিষ্ট্য অধ্যয়ন করার জন্য সংবেদনশীলতা সংবেদনা। হাইপারস্পেকট্রাল ইমেজিং, ইমেজিং বর্ণালী হিসাবে পরিচিত, একটি দৃশ্য থেকে প্রতিফলিত বা নির্গত বৈদ্যুতিন চৌম্বকীয় শক্তি ক্যাপচার করে ইনফ্রারেড তরঙ্গদৈর্ঘ্য [98] থেকে দৃশ্যমান থেকে কয়েক শতাধিক সংকীর্ণ, স্বচ্ছল বর্ণালী ব্যান্ড। প্রতি একটি হাইপারস্পেকট্রাল চিত্রের পিক্সেল প্রতিফলিত পরিমাপ করে শত শত উপাদানগুলির একটি ভেক্টর দ্বারা গঠিত বা তরঙ্গদৈর্ঘ্যের ফাংশন হিসাবে নির্গত শক্তি, বর্ণালী হিসাবে পরিচিত। বর্ণালী ক্যাপচার উপাদানের রাসায়নিক এবং শারীরিক বৈশিষ্ট্য সম্পর্কে তথ্য কারণ আলোর মধ্যে ইন্টারঅ্যাকশন বিভিন্ন তরঙ্গদৈর্ঘ্য এবং উপাদানগুলি পদার্থের পারমাণবিক এবং আণবিক কাঠামো দ্বারা পরিচালিত হয়। তাই, হাইপারস্পেকট্রাল সেন্সরগুলি এয়ারক্রাফ্টস এবং উপগ্রহগুলিতে লাগানো একটি বিশাল ভৌগলিক চিত্রগুলি সংগ্রহ করতে পারে দৃশ্যে থাকা উপাদানের বৈশিষ্ট্যগুলি ম্যাপ করার জন্য অ্যালগরিদম দ্বারা স্বয়ংক্রিয়ভাবে বিশ্লেষণ করা যেতে পারে এমন অঞ্চল।

    Image result for Machine learning based hyperspectral image analysis: A survey
    Figure 1: Hyperspectral image as a data cube.

    এই সমীক্ষায় আমরা প্রাথমিকভাবে প্রতিফলিত হাইপারস্পেকট্রাল রিমোট সেন্সিং নিয়ে আলোচনা করি, যেখানে বর্ণালী সম্পূর্ণরূপে বা দৃশ্যমান, ইনফ্রারেডের কাছাকাছি এবং শর্টওয়েভ ইনফ্রারেড তরঙ্গ দৈর্ঘ্যের একটি উপসেটের উপরে পরিমাপ করা হয় (350 এনএম থেকে 2500 এনএম)। এই বর্ণালী পরিসরে সেন্সরে পৌঁছানোর তেজ সৌর দ্বারা প্রাধান্য পায় দৃশ্যের বস্তুগুলি থেকে শক্তি প্রতিফলিত হয় এবং এটি এর দিকনির্দেশক প্রতিবিম্বের সাথে সমানুপাতিক বস্তুর পৃষ্ঠতল উপকরণ। বর্ণালীটি পর্যবেক্ষণকৃত আলোকসজ্জা বা পৃষ্ঠের প্রতিফলনের দিক দিয়ে পরিমাপ করা হয়। বর্ণালীগুলির একক হিসাবে প্রতিচ্ছবি সাধারণত পছন্দ করা হয় কারণ এটি একটি অন্তর্গত উপাদান
    আলোকসজ্জা থেকে পৃথক সম্পত্তি। পৃষ্ঠ দ্বারা প্রতিবিম্বিত আলোকসজ্জা দ্বারা অনুমান করা হয়

    Image result for Machine learning based hyperspectral image analysis: A survey
    Figure 2: Sample spectra of different materials from a spectral library [21].
    Image result for Machine learning based hyperspectral image analysis: A survey

    Figure 3: Spectral variability within an image. The x- and y-axes of the plots are wavelength in nm and reflectance respectively. 


    বায়ুমণ্ডলীয় ক্ষতিপূরণ কৌশলগুলি ব্যবহার করে [১১৩]। চিত্র 1 ত্রি মাত্রিক ডেটা কিউব হিসাবে একটি হাইপারস্পেকট্রাল চিত্র দেখায়, স্থানিক অক্ষগুলি পিক্সেল এবং প্রতিটি পিক্সেলের প্রতিবিম্ব বর্ণালীতে নমুনা সহ ব্যান্ড মধ্যে নমুনা। ডেটা কিউবে প্রতিটি উপাদান অঞ্চল জুড়ে গড় প্রতিফলন মানের প্রতিনিধিত্ব করে নির্দিষ্ট পিক্সেল দ্বারা আবৃত (সারি এবং কলাম নম্বর দ্বারা সূচিত) এবং প্রদত্ত ব্যান্ডের উপর একীভূত তরঙ্গদৈর্ঘ্য (ব্যান্ড নম্বর দ্বারা সূচিত)। প্রতিবিম্ব বর্ণালী আকার, কখনও কখনও বর্ণালী বলা হয় স্বাক্ষর, সাধারণত একটি উপাদান অনন্য এবং উপকরণ সনাক্ত এবং অধ্যয়ন করতে ব্যবহার করা যেতে পারে [253]। জন্য চিত্র, চিত্র 2 চারটি পৃথক পদার্থের বর্ণালি স্বাক্ষরের পার্থক্য দেখায়। যাহোক, পরিমাপ করা বর্ণালী সর্বদা পরিবর্তনশীলতা প্রদর্শন করে [৩৩৪] যা ডেটা বিশ্লেষণকে কঠিন করে তোলে make বর্ণালী পরিবর্তনশীলতা কেবল বিভিন্ন চিত্রের মধ্যেই পর্যবেক্ষণ করা হয় না তবে এটি একটি একক চিত্রের মধ্যেও দেখা যায়। চিত্র 3 প্লট চিত্রের একই গ্রাউন্ডের অন্তর্গত বর্ণের 95% আত্মবিশ্বাসের ব্যবধানের সাথে অভিজ্ঞতাগত গড় হাইপারস্পেকট্রাল ডেটাতে বর্ণালী পরিবর্তনশীলতা প্রদর্শন করতে। ছবিটি ডুমুরগুলিতে ব্যবহৃত হয়। 1 এবং 3 প্রাপ্ত ছিল [3] থেকে।

    বর্ণালী স্বাক্ষরগুলির পরিবর্তনশীলতাগুলি বহিরাগত বা অভ্যন্তরীণ কারণগুলির জন্য দায়ী করা যেতে পারে। বহিরাগত কারণগুলির মধ্যে বায়ুমণ্ডল [113], পার্শ্ববর্তী পরিবেশ [114], আলোকসজ্জা [317], সানসেন্সার জ্যামিতি [111], সেন্সর [301] এবং উপাদানগুলির বৈশিষ্ট্যগুলির সাথে সম্পর্কিত নয় এমন অন্য কোনও কারণের মধ্যে পার্থক্য রয়েছে। অন্তর্নিহিত কারণগুলি হ'ল উপাদানগুলির সাথে সম্পর্কিত, যেমন একই উপাদান শ্রেণীর মধ্যে সূক্ষ্ম শ্রেণিবদ্ধকরণ [74৪], বা উপাদান বা রাসায়নিক উপাদানগুলির বিভিন্ন ঘনত্বযুক্ত নমুনাগুলি বা বিভিন্ন শারীরিক বৈশিষ্ট্য [১৮]। একটি সফল চিত্র বিশ্লেষণ অ্যালগরিদমের জন্য একটি গুরুত্বপূর্ণ চ্যালেঞ্জ বহির্মুখী বৈচিত্রগুলি এবং অপ্রাসঙ্গিক কারণে সৃষ্ট অভ্যন্তরীণ প্রকরণকে উপেক্ষা করার সময় অভ্যন্তরীণ বর্ণালী পরিবর্তনের কাছ থেকে পছন্দসই তথ্য (সংকেত) আহরণ করতে সক্ষম হতে।

    হাইপারস্পেকট্রাল চিত্র বিশ্লেষণ অ্যালগরিদমগুলির জন্য আর একটি বড় চ্যালেঞ্জ হ'ল উচ্চ মাত্রা [171]। স্পেকট্রার মাত্রিকতা ব্যান্ডের মোট সংখ্যার সমান, প্রতিটি ব্যান্ডকে প্রতিনিধিত্ব করে মাত্রা, এবং শত শত বৃহত্তর হয়। যখন মাত্রার সংখ্যা রৈখিকভাবে বৃদ্ধি করা হয়, বৈশিষ্ট্যের জায়গার ভলিউম তাত্ক্ষণিকভাবে বৃদ্ধি পায় এবং তাই প্রচুর পরিমাণে ডেটা প্রয়োজন এই স্পেসে মডেলিংয়ের জন্য [৩৪]। তবে সংগ্রহের ক্ষেত্রে অসুবিধা এবং এর সাথে সম্পর্কিত ব্যয়গুলির কারণে উপাদানের রাসায়নিক এবং শারীরিক বৈশিষ্ট্য বিশ্লেষণ, স্থল সত্য তথ্য হাইপারস্পেকট্রাল মধ্যে খুব কমই হয় ডেটাসেট। উচ্চ মাত্রিকতা এবং সীমিত স্থল সত্য ডেটার এই দুর্ভাগ্যজনক সংমিশ্রণটি মডেলগুলি ওভারফিট এবং কম সাধারণীকরণের কর্মক্ষমতা রাখে। এই সমস্যাটি সাহিত্যে উল্লেখ করা হয়েছে মাত্রিকতার অভিশাপ বা হিউজ প্রপঞ্চ হিসাবে। এটি প্রশমিত করার জন্য ধ্রুপদী দৃষ্টিভঙ্গি সমস্যাটি হ'ল মাত্রা হ্রাস [135], যা বৈশিষ্ট্য নিষ্কাশন মাধ্যমে সঞ্চালিত হয়, অর্থাত্, রূপান্তর করুন নিম্ন মাত্রিক উপস্থাপনার জন্য বর্ণালী বা ব্যান্ড নির্বাচন [19], অর্থাত্, কেবলমাত্র বেশিরভাগের একটি উপসেট নির্বাচন করুন বিশ্লেষণের জন্য উল্লেখযোগ্য ব্যান্ড। মাত্রিকতা হ্রাসের জন্য বৈশিষ্ট্য নিষ্কাশন অনুমানের উপর ভিত্তি করে হাইপারস্পেকট্রাল ব্যান্ডগুলি বেশিরভাগ তরঙ্গদৈর্ঘ্যে ধীরে ধীরে পরিবর্তিত প্রতিফলন বর্ণালীকে ওভার স্যাম্পল করে বর্ণালী ডেটার আরও সুসংগত প্রতিনিধিত্ব থাকা উচিত। একইভাবে, ব্যান্ড নির্বাচন ভিত্তিক হয় অনুমানের ভিত্তিতে যে উপাদানগত বৈশিষ্ট্যগুলির মধ্যে পার্থক্যের প্রভাব কেবলমাত্র কয়েকটি ব্যান্ডে প্রকাশিত হয়, বর্ণালী বৈশিষ্ট্যও বলা হয়, সুতরাং বিশ্লেষণের জন্য পুরো বর্ণালী অপ্রয়োজনীয়। সাম্প্রতিক বছরগুলিতে, এটি হয়েছে সমস্যাটি মোকাবেলায় বিশ্লেষণ চলাকালীন বর্ণালি ডেটার পাশাপাশি স্থানিক তথ্য ব্যবহারে জনপ্রিয় উচ্চ মাত্রিকতার [107, 276]। উচ্চ-রেজোলিউশন হাইপারস্পেকট্রাল চিত্রগুলিতে প্রতিবেশী পিক্সেলগুলি অত্যন্ত বেশি পারস্পরিক নির্ভরশীল কারণ বেশিরভাগ জমি কভারগুলি পিক্সেল এবং উপস্থিতির আকারের চেয়ে অনেক বড় চিত্রের একটি অংশের একটি উপাদান অন্য উপাদান অন্য অংশ উপস্থিতি সম্ভাবনা নিয়ন্ত্রণ করে ছবির অংশ। স্থানিক বর্ণালী পদ্ধতিগুলি দলগুলির উপর যৌথ অনুমান হিসাবে মডেল চিত্র বিশ্লেষণের কাজগুলি পারস্পরিক নির্ভরশীল পিক্সেলের যার বৈশিষ্ট্যগুলি মডেলিংয়ের পরিবর্তে একে অপরের সাথে সীমাবদ্ধ স্বতন্ত্র পিক্সেলের উপর স্বতন্ত্র অনুমান, সুতরাং একই স্তরের জন্য কম গ্রাউন্ড ট্রুথ ডেটার প্রয়োজন হয় নির্ভুলতা [116]।

    হাইপারস্পেকট্রাল ইমেজ বিশ্লেষণ কার্যের জন্য মেশিন লার্নিং এবং প্যাটার্ন রিকগনিশন ভিত্তিক পদ্ধতিগুলি খুব সফল হয়েছে, কারণ তারা প্রতিচ্ছবি বর্ণালী এবং পছন্দসই তথ্যের মধ্যে সম্পর্ক স্বয়ংক্রিয়ভাবে শিখতে সক্ষম হয়
    বর্ণাল এবং স্থল সত্য পরিমাপে শব্দ এবং অনিশ্চয়তার বিরুদ্ধে শক্তিশালী হচ্ছে।

    অধ্যয়নগুলি দেখিয়েছে যে মেশিন লার্নিং-ভিত্তিক পদ্ধতিগুলি বর্ণালী ম্যাচিং, ম্যানুয়ালি ডিজাইন করা নরমালাইজড ইনডেক্স এবং ফিজিক্স ভিত্তিক মডেলিং, যেমন রেফগুলি traditionalতিহ্যবাহী পদ্ধতির তুলনায় কার্যকর করতে পারে। [303, 269, 80, 252]। তবে, মেশিন লার্নিং-ভিত্তিক পদ্ধতিগুলি ব্যবহার করার বড় সুবিধা হ'ল তাদের নমনীয়তা।

    উদাহরণস্বরূপ, একটি পদার্থবিজ্ঞান ভিত্তিক মডেল, যেমন PROSPECT [108], যা উদ্ভিদের বর্ণালির বিভিন্ন পরিবর্তনের জন্য ছয়টি বায়োফিজিকাল এবং জৈব-রাসায়নিক পরামিতিগুলির কারণে মডেল করার জন্য ডিজাইন করা হয়েছিল কেবলমাত্র চিত্রটিতে এই পরামিতিগুলির বন্টন অধ্যয়ন করতে ব্যবহৃত হতে পারে তবে এর মধ্যে নয় অন্য কেউ প্যারামিটার। নির্দিষ্ট শারীরিক / রাসায়নিক পরামিতিগুলির জন্য সাধারণ সূচক নকশার ক্ষেত্রে একই ， অতএব, আগ্রহের শারীরিক / রাসায়নিক সম্পত্তির জন্য কোনও পূর্ব-বিদ্যমান মডেলগুলি উপলব্ধ না হলে এই পদ্ধতিগুলি সহজেই ব্যবহার করা যায় না। যাইহোক, একই মেশিন লার্নিং পদ্ধতিটি, তাত্ত্বিকভাবে, কোনও শারীরিক / রাসায়নিক পরামিতি অধ্যয়নের জন্য প্রয়োগ করা যেতে পারে যদি প্রশিক্ষণের জন্য পর্যাপ্ত গ্রাউন্ড সত্য তথ্য পাওয়া যায়। একইভাবে, ইউএসজিএসের টেট্রাকোডার [৩] এর মতো ম্যানুয়ালি ডিজাইনের মেটাল ক্লাসিফায়ারগুলি সহজেই নতুন উপাদান শ্রেণীর অন্তর্ভুক্ত করতে যথেষ্ট নমনীয় নয়। শাস্ত্রীয় পদ্ধতির তুলনায় মেশিন লার্নিং পদ্ধতিগুলি বর্ণালী এবং স্থল সত্যের পরিবর্তনশীলতা এবং গোলমালকে আরও ভালভাবে পরিচালনা করতে পারে, যেমন বর্ণালী ম্যাচিং (যা মেশিন লার্নিংয়ের ক্ষেত্রে মূলত কোসাইন দূরত্বের মেট্রিকের সাথে নিকটতম প্রতিবেশী অনুসন্ধান) [269]। মাত্রিক হ্রাস, ব্যান্ড নির্বাচন, এবং স্থানিক বর্ণালী পূর্বাভাসের মতো উচ্চ মাত্রিক মোকাবেলা করার কৌশলগুলি সহজেই মেশিন লার্নিং অ্যালগরিদমগুলির অনেকগুলি ক্লাসের সাথে সংযুক্ত করা যেতে পারে, যেমন, রেফস। [274, 64, 193]।

    হাইপারস্পেকট্রাল ইমেজ বিশ্লেষণ কার্যের জন্য মেশিন লার্নিং এবং প্যাটার্ন রিকগনিশন ভিত্তিক পদ্ধতিগুলি খুব সফল হয়েছে, কারণ তারা প্রতিচ্ছবি বর্ণালী এবং পছন্দসই তথ্যের মধ্যে সম্পর্ক স্বয়ংক্রিয়ভাবে শিখতে সক্ষম হয় বর্ণাল এবং স্থল সত্য পরিমাপে শব্দ এবং অনিশ্চয়তার বিরুদ্ধে শক্তিশালী হচ্ছে। অধ্যয়নগুলি দেখিয়েছে যে মেশিন লার্নিং-ভিত্তিক পদ্ধতিগুলি traditional পদ্ধতিগুলিকে ছাড়িয়ে যেতে পারে, যেমন বর্ণালী ম্যাচিং, ম্যানুয়ালি ডিজাইন করা নরমালাইজড ইনডেক্স এবং ফিজিক্স ভিত্তিক মডেলিং, উদাঃ, রেফ [303, 269, 80, 252]। তবে, মেশিন লার্নিং-ভিত্তিক পদ্ধতিগুলি ব্যবহার করার বড় সুবিধা হ'ল তাদের নমনীয়তা।

    উদাহরণস্বরূপ, একটি পদার্থবিজ্ঞান-ভিত্তিক মডেল, যেমন PROSPECT [108], ছয়টি বায়োফিজিকাল এবং বায়োকেমিক্যাল প্যারামিটারের কারণে উদ্ভিদ বর্ণের বর্ণের পরিবর্তনের মডেল তৈরির জন্য এটি তৈরি করা হয়েছিল যা কেবলমাত্র চিত্রটিতে এই পরামিতিগুলির বন্টন অধ্যয়ন করতে ব্যবহৃত হতে পারে তবে অন্য কোনও প্যারামিটারের নয়। নির্দিষ্ট শারীরিক / রাসায়নিক পরামিতিগুলির জন্য সাধারণ সূচক নকশার ক্ষেত্রে একই  অতএব, আগ্রহের শারীরিক / রাসায়নিক সম্পত্তির জন্য কোনও পূর্ব-বিদ্যমান মডেলগুলি উপলব্ধ না হলে এই পদ্ধতিগুলি সহজেই ব্যবহার করা যায় না। যাইহোক, একই মেশিন লার্নিং পদ্ধতিটি, তাত্ত্বিকভাবে, কোনও শারীরিক / রাসায়নিক পরামিতি অধ্যয়নের জন্য প্রয়োগ করা যেতে পারে যদি প্রশিক্ষণের জন্য পর্যাপ্ত গ্রাউন্ড সত্য তথ্য পাওয়া যায়। একইভাবে, ইউএসজিএসের টেট্রাকোডার [73] এর মতো ম্যানুয়ালি ম্যাটেরিয়াল ক্লাসিফায়ার ডিজাইন করুন, সহজেই নতুন উপাদান ক্লাস অন্তর্ভুক্ত করতে যথেষ্ট নমনীয় নয়। শাস্ত্রীয় পদ্ধতির তুলনায় মেশিন লার্নিং পদ্ধতিগুলি সাধারণত বর্ণালী এবং স্থল সত্যের পরিবর্তনশীলতা এবং গোলমাল পরিচালনা করতে পারে, যেমন বর্ণালী ম্যাচিং (যা মেশিন লার্নিংয়ের শর্তাবলী মূলত কোসাইন দূরত্বের মেট্রিকের সাথে নিকটতম প্রতিবেশী সন্ধান) [269]। মাত্রিক হ্রাস, ব্যান্ড নির্বাচন, এবং স্থানিক বর্ণালী পূর্বাভাসের মতো উচ্চ মাত্রা মোকাবেলা করার কৌশলগুলি, মেশিন লার্নিং অ্যালগোরিদম, উদাহরণস্বরূপ, রেফার্সের অনেকগুলি ক্লাসের সাথে সহজেই সংহত করা যায়। [274, 64, 193]।

    অতিরিক্তভাবে, বয়েসিয়ান পদ্ধতিগুলি মেশিন লার্নিং অ্যালগরিদমগুলির একটি বৃহত শ্রেণি যা অনিশ্চয়তাগুলি হ্যান্ডেল করার জন্য ডিজাইন করা হয়েছে এবং উচ্চ-মাত্রিক মডেলিংয়ের জন্য ভাল
    ডেটা [34]। অনেকগুলি অধ্যয়ন [302, 95, 13, 44] তাদের হাইপারস্পেকট্রাল ডেটাসেটের জন্য ভাল উপযুক্ত বলে দেখিয়েছে। রিমোট সেন্সিং সম্প্রদায়টি সম্প্রতি মেশিন লার্নিংয়ের প্রতি প্রচুর আগ্রহ দেখিয়েছে। অনেক জার্নালগুলি দূরবর্তী সংবেদনের জন্য মেশিন লার্নিংয়ের বিষয়ে [296, 66, 8, 40] বিশেষ সংখ্যা প্রকাশ করেছে  [39, 172] রিমোটগুলি এবং মেশিনে শিক্ষার উত্থানের বিষয়ে নিবন্ধগুলি প্রকাশিত হয়েছে সাম্প্রতিক বার্ষিক রিমোট সেন্সিং জিআরএসএস ডেটা ফিউশন প্রতিযোগিতার বিজয়ী পদ্ধতিগুলি [82২, 194, 224, 297] এবং আইএসপিআরএস বেঞ্চমার্ক পরীক্ষায় শীর্ষস্থানীয় পদ্ধতিগুলি [1] মেশিন লার্নিংয়ের ভিত্তিতে তৈরি করা হয়েছে।
    হাইপারস্পেকট্রাল রিমোট সেন্সিং সম্প্রদায় এই ক্ষেত্রে সমানভাবে সক্রিয় রয়েছে এবং একটি দুর্দান্ত উত্পাদন করেছে নতুন পদ্ধতি সংখ্যা। এটি চিত্র 4 এ দেখা যাবে যা দেখায় নিবন্ধগুলির মোট সংখ্যা
    প্রতি বছর প্রকাশিত হয় যার বিষয়গুলি হাইপারস্পেকট্রাল ডেটা এবং মেশিন লার্নিং উভয়ের সাথেই কাজ করে বছরের পর বছর ধরে। তুলনার জন্য, আমরা মোট সংখ্যা দেখানো দুটি প্লটও অন্তর্ভুক্ত করেছি হাইপারস্পেকট্রাল ইমেজিংয়ের কোনও বিষয়ের সাথে সম্পর্কিত প্রতি বছর প্রকাশনা (সেন্সর, অ্যালগরিদম এবং কেস) অধ্যয়ন) এবং মেশিন লার্নিংয়ের কোনও বিষয় যথাক্রমে (তত্ত্ব এবং অ্যাপ্লিকেশন)। তারা হয়েছে তাত্ক্ষণিকভাবে বৃদ্ধি

    Image result for Machine learning based hyperspectral image analysis: A survey


    Figure 4: Number of publications over the years with topics related to hyperspectral data and machine learning. Statistics obtained from Clarivate Analytics’ Web of Science [4]. 


    এই জরিপ কাগজটি হাইপারস্পেকট্রাল ইমেজ বিশ্লেষণ কার্য উভয়ের বিস্তৃত কভারেজ সরবরাহ করে এবং মেশিন লার্নিং অ্যালগরিদম, পূর্ববর্তী জরিপ এবং টিউটোরিয়ালগুলির বিপরীতে যা কোনদিকে দৃষ্টি নিবদ্ধ করে একটি কার্য [33, 199, 207, 43, 63] বা একটি নির্দিষ্ট মেশিন লার্নিং অ্যালগরিদম [44, 338, 226, 28, 116]। সব কাগজে পর্যালোচনা পদ্ধতিগুলি পিয়ার-পর্যালোচিত জার্নালে প্রকাশিত হয়েছিল। জরিপ পদ্ধতি সক্ষম তেজস্ক্রিয়তা এবং প্রতিফলন চিত্র উভয়ই বিশ্লেষণ করতে, অন্যথায় না বলা থাকলে। হাইপারস্পেকট্রাল ডেটা বিশ্লেষণ কর্মগুলি ল্যান্ড কভারের শ্রেণিবদ্ধকরণ [43], লক্ষ্য / অযৌক্তিক সনাক্তকরণ [236], আনমিক্সিং [33] এবং হিসাবে শ্রেণিবদ্ধ করা হয়েছে শারীরিক / রাসায়নিক পরামিতি অনুমান [294]। আমরা বহু-অস্থায়ী / পরিবর্তন বিশ্লেষণ আলোচনা করি না [148, 278], প্রাক-প্রসেসিং পদক্ষেপগুলি, যেমন, মাত্রিকতা হ্রাস [166] এবং বৈশিষ্ট্য নিষ্কাশন [202], বা চিত্র প্রক্রিয়াজাতকরণের কাজগুলি, যেমন, [55] ইনপেনটিং, [329] কে নিন্দিত করে, পানশার্পিং / সুপার-রেজোলিউশন [198], এবং সংক্ষেপণ []২], যদি না তারা আলোচিত ইমেজ বিশ্লেষণ পদ্ধতির অংশ হয়। যন্ত্র আচ্ছাদিত অ্যালগরিদমগুলি গাউসীয় মডেলগুলি [২৯৩], লিনিয়ার রিগ্রেশন [২২৩], লজিস্টিক রিগ্রেশন [২১৫], ভেক্টর মেশিন সমর্থন করে [২ 27১], গউসিয়ান মিশ্রণ মডেলগুলি [৩২], সুপ্ত লিনিয়ার মডেলগুলি [159], স্পারস লিনিয়ার মডেলগুলি [205], পাঠদানের নকশা করা [261], নির্দেশিত গ্রাফিক্যাল মডেলগুলি [309], নির্দেশিত গ্রাফিকাল মডেলগুলি [35], ক্লাস্টারিং [156], গাউসিয়ান প্রক্রিয়া [319], ডিরিচলেট প্রক্রিয়া [290], এবং গভীর শিক্ষা [30]।

    এই গবেষণাপত্রের প্রধান অবদানগুলি হ'ল: ক) সম্প্রতি প্রকাশিত হাইপারস্পেকট্রালের ব্যাপক সমীক্ষা বিশ্লেষণ পদ্ধতি, খ) রিমোট সেন্সিং টাস্ক এবং মেশিন লার্নিং অ্যালগরিদম (যা সারণী ২-এ সংক্ষিপ্তভাবে সংক্ষিপ্ত করা হয়েছে) দ্বারা প্রতিটি পদ্ধতির শ্রেণিবদ্ধকরণ, এবং গ) বর্তমান প্রবণতা এবং সমস্যার পাশাপাশি অনুসন্ধান ভবিষ্যতের দিকনির্দেশ সহ। অনুসরণ হিসাবে এই কাগজ সংগঠিত হয়। বিভাগ 2 এবং 3 হাইপারস্পেকট্রাল ইমেজের সংক্ষিপ্ত ব্যাকগ্রাউন্ড সরবরাহ করে পাঠকদের বিষয়গুলির সাথে পরিচিত করতে যথাক্রমে বিশ্লেষণ কর্ম এবং মেশিন লার্নিং পরিভাষা জরিপ পদ্ধতি বুঝতে প্রয়োজন। বিভাগ 4 এ, আমরা সাম্প্রতিক মেশিন লার্নিং-ভিত্তিক জরিপ করি সাহিত্যে হাইপারস্পেকট্রাল চিত্র বিশ্লেষণ পদ্ধতি পাওয়া যায়। ৫ নং ধারায় ক্ষেত্রের উন্মুক্ত চ্যালেঞ্জগুলি নিয়ে আলোচনা করা হয়েছে হাইপারস্পেকট্রাল ডেটা বিশ্লেষণের, এবং বিভাগ 6 paper কাগজটি শেষ করেছে।

    2 Taxonomy of hyperspectral data analysis tasks

    প্রতিফলিত হাইপারস্পেকট্রাল চিত্রগুলির জন্য ডেটা বিশ্লেষণের কার্যগুলি চারটি স্বতন্ত্র গ্রুপে বিভক্ত করা যেতে পারে: জমির আচ্ছাদন শ্রেণিবিন্যাস, লক্ষ্য / অযৌক্তিক সনাক্তকরণ, বর্ণাল আনমিক্সিং এবং শারীরিক / রাসায়নিক পরামিতি অনুমান, চিত্র হিসাবে দেখানো হয়েছে। 5 এগুলি উপ-কার্যগুলিতে আরও বিভক্ত।

    2.1 Land cover classification

    ল্যান্ড কভার শ্রেণিবিন্যাস [43], যাকে ল্যান্ড কভার ম্যাপিং এবং ল্যান্ড কভার সেগমেন্টেশনও বলা হয়, এটি হাইপারস্পেকট্রাল ইমেজের প্রতিটি পিক্সেলের অধীনে উপাদানগুলি সনাক্ত করার প্রক্রিয়া। হাইপারস্পেক্ট্রা সেন্সর দ্বারা চিত্রিত কোনও ভৌগলিক অঞ্চলে কীভাবে বিভিন্ন উপকরণ বিতরণ করা হয় তা দেখানোর লক্ষ্যটি হ'ল। ল্যান্ড কভার ম্যাপিংয়ের সাধারণ প্রয়োগগুলি হ'ল উদ্ভিদ প্রজাতির শ্রেণিবিন্যাস [] 78], নগর দৃশ্যের শ্রেণিবদ্ধকরণ [৮৪], খনিজ শনাক্তকরণ [২৩২] এবং বিশ্লেষণ পরিবর্তন [২৫৪]। হাইপারস্পেকট্রাল ইমেজগুলি ল্যান্ড কভার মানচিত্র তৈরির জন্য প্রধান সুবিধা হ'ল হাইপারস্পেকট্রাল ইমেজগুলি মাল্টিসেপেক্ট্রাল এবং প্যানক্রোমেটিক চিত্রগুলির মতো অন্যান্য রূপের তুলনায় সূক্ষ্ম শ্রেণিতে জমি কভারের বৈষম্যকে অনুমতি দেয়, কারণ হাইপারস্পেক্ট্রাল চিত্রগুলি উপকরণের রসায়ন সম্পর্কে আরও তথ্য গ্রহণ করে । অনেকগুলি ল্যান্ড কভার ম্যাপিং পদ্ধতিতে দৃশ্যে উপস্থিত বিভিন্ন ধরণের উপকরণগুলির সাথে বিভিন্ন ধরণের উপকরণের বর্ণালীগুলির উদাহরণ সহ পূর্বের জ্ঞান প্রয়োজন। এই তথ্যটি সাধারণত বিশেষজ্ঞের দ্বারা চিত্র পিক্সেল থেকে সরবরাহ করা হয়, ক্ষেত্রের সময় স্পেকট্রোমিটার ব্যবহার করে সংগ্রহ করা
    Image result for Machine learning based hyperspectral image analysis: A survey
    Figure 5: Hyperspectral image analysis tasks.


    অধ্যয়নের ক্ষেত্রের প্রচার বা তৃতীয় পক্ষ বর্ণালী গ্রন্থাগার থেকে অভিযোজিত। তবে, অনেকগুলি ল্যান্ড কভার ম্যাপিং কৌশল রয়েছে যা দৃশ্যের উপকরণগুলি সম্পর্কে কোনও পূর্বের তথ্যের প্রয়োজন নেই। 

    2.2 Target/anomaly detection
    লক্ষ্য সনাক্তকরণ [২০7] হ'ল হাইপারস্পেকট্রাল ইমেজে লক্ষ্যবজেক্টগুলি সন্ধান এবং স্থানীয়করণের কাজ, অবজেক্টটির রেফারেন্স বর্ণালী দেওয়া। লক্ষ্যটি চিত্রটিতে খুব কম দেখা যায় এবং এটি রচনা করা যায় কয়েকটি পিক্সেল বা এমনকি একটি একক পিক্সেল চেয়ে ছোট হতে পারে। পিক্সেলের আকারের চেয়ে ছোট লক্ষ্যগুলিকে সাব-পিক্সেল লক্ষ্যগুলি বলে। রেফারেন্স বর্ণালী সাধারণত বর্ণালী গ্রন্থাগার থেকে প্রাপ্ত হয়। সাধারণত, লক্ষ্যটির প্রতিচ্ছবি বর্ণালীগুলির এক বা কেবল কয়েকটি নমুনা কেবল উপলভ্য।
    অ্যানোমালি সনাক্তকরণ [২১১] হ'ল হাইপারস্পেকট্রাল ইমেজে অযৌক্তিক পদার্থকে লেবেল করার লক্ষ্যে অবজেক্টের বর্ণালী সম্পর্কে পূর্ব জ্ঞান ছাড়াই সম্পর্কিত একটি কাজ। ব্যতিক্রমী বস্তুর আকারও উপ-পিক্সেল স্কেলে হতে পারে। লক্ষ্য এবং অযৌক্তিক সনাক্তকরণ ব্যাপকভাবে পুনঃজাগরণের জন্য ব্যবহৃত হয় এবং নজরদারি এবং অন্যান্য ক্ষেত্রগুলিতে যেমন কৃষিতে বিশেষ প্রজাতি সনাক্ত এবং ভূতত্ত্বের বিরল খনিজগুলি [50, 83, 206]।

    2.3 Unmixing
    হাইপারস্পেকট্রাল সেন্সরটির একটি পিক্সেল দ্বারা ধরা শক্তিটি খুব কমই একটি উপাদানের একক পৃষ্ঠ থেকে প্রতিফলিত হয়। বায়ুবাহিত এবং স্থান-বাহিত ইমেজিংয়ের ক্ষেত্রে, স্থলভাগে একটি পিক্সেল (পিক্সেল দ্বারা আচ্ছাদিত অঞ্চল) দেখার তাত্ক্ষণিক ক্ষেত্রটি মিটারে থাকে এবং সম্ভবত এই অঞ্চলটি একাধিক উপাদান দ্বারা আচ্ছাদিত। উদাহরণস্বরূপ, একটি কৃষিজমি ইমেজ করার সময়, পিক্সেলের নীচে থাকা অঞ্চলে উদ্ভিদ এবং খালি মাটি থাকতে পারে। অতএব, পরিমাপ করা বর্ণালী দৃশ্যের বিভিন্ন উপকরণের বর্ণালীর সংমিশ্রণ। এটি বর্ণালির একটি রৈখিক মিশ্রণ হিসাবে মডেল করা যেতে পারে এবং প্রক্রিয়াটিকে কেবল লিনিয়ার মিক্সিং বলা হয়। প্রতিটি উপাদান পিক্সেল অঞ্চলের তাদের কভারেজের অনুপাতে শক্তি প্রতিফলিত করে। সুতরাং, সেন্সরে লক্ষ্য করা বর্ণালীটি হ'ল পৃথক উপকরণগুলির বর্ণালীগুলির রৈখিক সংমিশ্রণ যা তাদের আঞ্চলিক কভারেজ দ্বারা ভারিত। যাইহোক, দৃশ্যে একাধিক আলোর বিচ্ছুরণের কারণে, পর্যবেক্ষণ করা বর্ণালি বর্ণালি একটি বিরল সংমিশ্রণ খুব কম হলেও বাস্তবে, এটি একটি অ-রৈখিক সংমিশ্রণ [141]। দুটি সাধারণ প্রকারের নন-লিনিয়ার মিক্সিং মডেলগুলি হ'ল বিলিনিয়ার মিক্সিং এবং অন্তরঙ্গ মিশ্রণ। ঘটনাস্থলে থাকা বিভিন্ন উপাদানের উপর ইভেন্ট লাইটের একাধিক প্রতিচ্ছবি উপস্থিত হয় তখনই বিলিনিয়ার মিক্সিং ঘটে। উদাহরণস্বরূপ, ইন
    বনভূমি সূর্য থেকে শক্তি খালি মাটিতে একটি পাতা থেকে প্রতিফলিত হতে পারে এবং তারপরে সেন্সরে প্রতিফলিত হতে পারে। মিশ্রণের কণাগুলি থেকে একাধিক বিচ্ছুরণের কারণে খনিজগুলির মতো সূক্ষ্ম মিশ্রণে অন্তরঙ্গ মিশ্রণ ঘটে।
    হাইপারস্পেকট্রাল আনমিক্সিং হ'ল চিত্রের প্রতিটি পিক্সালে খাঁটি উপাদানের অনুপাত (প্রচুর পরিমাণে বলা হয়) পুনরুদ্ধার প্রক্রিয়া। "খাঁটি" উপাদান স্পেকট্রা এন্ডেমেমবার্স বলা হয়। প্রান্তটি একটি দৃশ্যে উপস্থিত একটি অগ্রণী হিসাবে পরিচিত হতে পারে, বা একটি এন্ডিমাইবার এক্সট্রাকশন অ্যালগরিদম [53, 351] ব্যবহার করে চিত্র থেকে প্রাপ্ত বা প্রচুর পরিমাণে যৌথভাবে অনুমান করা যেতে পারে।
    এন্ডেমবার্স সরবরাহ করার জন্য যে পদ্ধতিগুলি সরবরাহ করা হয় সেগুলি তদারকি করা অনিমিক্স হিসাবে উল্লেখ করা হয় এবং প্রচুর পরিমাণে একসাথে এন্ডেমার্বারগুলি অনুমান করার পদ্ধতিগুলি অনেকগুলি সাহিত্যে নিষ্ক্রিয় হিসাবে উল্লেখ করা হয়। হাইপারস্পেকট্রাল আনমিক্সিংয়ের প্রয়োগগুলির মধ্যে সবুজ উদ্ভিদের ম্যাপিং অন্তর্ভুক্ত রয়েছে, নন-সালোকসংশ্লিষ্ট গাছপালা এবং মাটির আবরণ [২১৮], খনিজ অন্বেষণ [২ 26০], নগরায়ণ গবেষণা [৪৯], আগুন বিপর্যয়ের তীব্রতা অধ্যয়ন [258], এবং জলের গুণমানের ম্যাপিং [240]।

    2.4 Physical/chemical parameter estimation

    শারীরিক / রাসায়নিক পরামিতি অনুমান হ'ল আকারের মতো পদার্থের গঠন বা পদার্থের বৈশিষ্ট্যগুলির সামগ্রীর পূর্বাভাস দেওয়ার প্রক্রিয়া কণার দানাদারতা এবং ঘনত্ব; কাঠামোগত বৈশিষ্ট্য এবং উদ্ভিদের বায়োমাস; এবং অঙ্গবিন্যাস এবং পৃষ্ঠের রুক্ষতা, প্রতিফলন বর্ণালী থেকে। পদার্থের রাসায়নিক এবং শারীরিক বৈশিষ্ট্যগুলি প্রতিবিম্ব বর্ণালীতে বর্ণালী শোষণ বৈশিষ্ট্য হিসাবে প্রকাশিত হয়, গভীরতা এবং শোষণ বৈশিষ্ট্যগুলির প্রস্থের সাথে সেই পরামিতিগুলির সাথে সম্পর্কিত করা হচ্ছে। সুতরাং, প্রতিবিম্ব বর্ণালীগুলির কার্যকারিতা হিসাবে পদার্থগুলির শারীরিক এবং রাসায়নিক বৈশিষ্ট্যগুলির মডেল করা সম্ভব। উদ্ভিদের শারীরিক এবং রাসায়নিক পরামিতিগুলি সাধারণত সাহিত্যে বায়োফিজিক্যাল এবং জৈব রাসায়নিক পদার্থ হিসাবে পরিচিত। শারীরিক / রাসায়নিক পরামিতি অনুমান প্রয়োগের কয়েকটি উদাহরণ পাতার জৈব রসায়নের পূর্বাভাস [৩৪১], বালি এবং তুষার শস্য আকার [241, 119], উদ্ভিদ জৈববস্তু এবং কাঠামোগত পরামিতি [70, 303], উদ্ভিদ জলের চাপ [284], এবং মাটির পুষ্টি [15]। 

    3 Machine learning approaches3 মেশিন লার্নিং পদ্ধতির

    ডেটা থেকে মডেল শেখার মাধ্যমে মেশিন লার্নিং অ্যালগরিদমগুলি আগ্রহের পরিবর্তনশীলগুলির পূর্বাভাস দেওয়ার চেষ্টা করে। এই বিভাগটি মেশিন লার্নিং কৌশল এবং পরিভাষা সম্পর্কে একটি সংক্ষিপ্ত পটভূমি সরবরাহ করে যা কাগজের বাকী অংশগুলিতে পদ্ধতিগুলি বর্ণনা করতে ব্যবহৃত হবে। সাধারণ উল্লেখ হিসাবে, কেভিন মারফি [230] এবং ক্রিস্টোফার বিশপ [34] এর বইগুলি মেশিন শেখার কৌশলগুলির একটি সম্পূর্ণ এবং বিস্তারিত কভারেজ সরবরাহ করে।

    3.1 Types of learning
    শেখার ধরণের ভিত্তিতে, মেশিন লার্নিং পদ্ধতিগুলিকে তদারকি করা শেখা, আনসারভিজড লার্নিং, অর্ধ-তত্ত্বাবধানে পড়াশোনা, সক্রিয় পড়াশোনা এবং স্থানান্তর শিখন হিসাবে পাঁচটি গ্রুপে বিস্তৃতভাবে শ্রেণিবদ্ধ করা যেতে পারে। 

    supervised learning
     [১৩6] ইনপুট এবং আউটপুট ভেরিয়েবলের মধ্যে সম্পর্ক লেবেলযুক্ত উদাহরণগুলির একটি সেট ব্যবহার করে প্রতিষ্ঠিত হয়, উদাহরণস্বরূপ, উদাহরণগুলি যার জন্য সংশ্লিষ্ট আউটপুট পরিবর্তনশীল মানগুলি জানা যায় যদি আউটপুট ভেরিয়েবলটি সত্য হয় এবং আউটপুট ভেরিয়েবলটি পৃথক হয় তবে শ্রেণিবিন্যাসকে সমস্যা বলা হয় .

    Unsupervised learning
     [১৩7] লেবেলযুক্ত উদাহরণ ব্যবহার করে ইনপুট ডেটার গঠন বা বৈশিষ্ট্যগুলি আবিষ্কার করে (উদাহরণস্বরূপ যার সাথে সম্পর্কিত আউটপুট মানগুলি উপলভ্য নয়)। উদাহরণস্বরূপ, k -মানে হল একটি অপ্রচলিত লার্নিং অ্যালগরিদম যা সমজাতীয় গ্রুপগুলিতে ইনপুট ডেটা ক্লাস্টার করে। প্রধান উপাদান বিশ্লেষণ (পিসিএ) হ'ল আরেকটি নিষ্ক্রিয় শেখার অ্যালগরিদম যা ইনপুট ডেটার একটি নিরবিচ্ছিন্ন রৈখিক নিম্ন মাত্রিক উপস্থাপনা খুঁজে পেতে ব্যবহার করা যেতে পারে।

    Semi-supervised learning
    [350] ইনপুট এবং আউটপুট ভেরিয়েবলের মধ্যে সম্পর্ক তৈরি করতে লেবেলযুক্ত ডেটা সহ লেবেলযুক্ত ডেটা ব্যবহার করে। লেবেলযুক্ত উদাহরণগুলি ইনপুট ভেরিয়েবলের গঠন শিখতে ব্যবহৃত হয়, যাতে লেবেলযুক্ত ডেটা ব্যবহার করে ইনপুট-আউটপুট সম্পর্কটি আরও ভালভাবে জানতে এই তথ্যটি কাজে লাগানো যেতে পারে.

    Active learning
     [২2২] পুনরাবৃত্তভাবে ম্যানুয়াল লেবেলিংয়ের জন্য লেবেলযুক্ত ডেটা থেকে উদাহরণগুলি নির্বাচন করে, এবং এগুলি লেবেলযুক্ত প্রশিক্ষণ সেটে যুক্ত করে। বাছাই করা উদাহরণগুলি যেগুলিকে সবচেয়ে গুরুত্বপূর্ণ বলে মনে করা হয় ইনপুট-আউটপুট ভবিষ্যদ্বাণীপূর্ণ কর্মক্ষমতা উন্নত করে। মডেলটি পছন্দসই পারফরম্যান্স প্রদর্শন না করা পর্যন্ত এই চক্রটি পুনরাবৃত্তি করা হয়। এইভাবে, সক্রিয় শিক্ষার লক্ষ্য হ'ল কম প্রশিক্ষণের উদাহরণ সহ তদারকি বা আধা-তত্ত্বাবধানে শেখার পদ্ধতির অনুরূপ ফলাফল উত্পাদন করা।

    Transfer learning
    [243] অন্য সমস্যা সমাধানের জন্য একটি সমস্যা থেকে শিখে নেওয়া তথ্য ব্যবহার করে। কার্য (আউটপুট ভেরিয়েবল), ডোমেন (ইনপুট ভেরিয়েবল) বা উভয়ই উত্স এবং গন্তব্য সমস্যার মধ্যে পৃথক হতে পারে। সুতরাং, traditional শিক্ষার সাথে তুলনা করা, প্রশিক্ষণ এবং পরীক্ষার সময় স্থানান্তর শেখার কাজ, ডোমেন বা তাদের বিতরণকে আলাদা হতে দেয়। ডোমেন অভিযোজন একটি স্থানান্তর শিক্ষার উপসেট যাতে উত্স এবং গন্তব্যটিতে আলাদা ডোমেন থাকে। একইভাবে, মাল্টিটাস্ক লার্নিং হ'ল এক ধরণের ট্রান্সফার লার্নিং যেখানে একাধিক সম্পর্কিত কাজ একই সাথে শেখা হয় উভয় কাজে পারফরম্যান্স উন্নত করার লক্ষ্যে।

    3.2 Non-probabilistic and probabilistic models 
    3.2.1 Non-probabilistic
    অ-সম্ভাব্য মডেলগুলি আউটপুটটির বিন্দু অনুমান উত্পাদন করে এবং আউটপুটটির সম্ভাব্যতা বন্টনকে মডেল করে না। এই মডেলগুলির একটি সিদ্ধান্ত বা একটি রিগ্রেশন ফাংশন থাকে যা ইনপুটটির মানের উপর নির্ভর করে আউটপুটটির মান নির্ধারণ করে। এই ফাংশনগুলির কিছু ফ্রি প্যারামিটার রয়েছে যা প্রশিক্ষণের সময় কিছু ব্যয় ফাংশন হ্রাস করে অনুমিত হয় ইনপুট আউটপুট সম্পর্কটি শেখার লক্ষ্য নিয়ে। মডেলটির জটিলতা নিয়ন্ত্রণ করতে বা সমাধানে কিছু বৈশিষ্ট্য উত্সাহিত করার জন্য নিয়মিতকরণের মাধ্যমে প্যারামিটারগুলির সম্ভাব্য মানগুলিতে কিছু জরিমানা প্রয়োগ করা যেতে পারে।

    3.2.2 Probabilistic
    সম্ভাব্য মডেলগুলি আউটপুটটির সম্ভাব্যতা বন্টনকে অনুমান করে।
    উত্পাদক সম্ভাব্য মডেলগুলি ইনপুট এবং আউটপুট উভয়কে এলোমেলো ভেরিয়েবল হিসাবে বিবেচনা করে এবং ইনপুট এবং আউটপুট ভেরিয়েবলগুলির একটি যৌথ বন্টনকে মডেল করে।
    বিপরীতে, বৈষম্যমূলক সম্ভাবনাময় মডেলগুলি ইনপুটটিকে নির্ধারিত এবং আউটপুটটিকে এলোমেলো মনে করে এবং আউটপুট ভেরিয়েবলগুলির বন্টনকে ইনপুট ভেরিয়েবলগুলির একটি ফাংশন হিসাবে মডেল করে, যেমন, তারা ইনপুট প্রদত্ত আউটপুটটির শর্তাধীন বিতরণকে মডেল করে। অন্য কথায়, জেনারেটরি মডেল সেই প্রক্রিয়াটি শিখে যা দ্বারা ইনপুট এবং আউটপুট উত্পন্ন হয়, যখন বৈষম্যমূলক মডেল কেবলমাত্র যখন ইনপুট দেওয়া হয় তখন কীভাবে আউটপুট পূর্বাভাস দিতে হয় তা শিখে। সম্ভাবনাময় পদগুলিতে, জেনারেটাল মডেল p (x, y) = p (y | x) p (x) শেখে যখন বৈষম্যমূলক মডেল কেবল p (y | x) শেখে, যেখানে x এবং y যথাক্রমে ইনপুট এবং আউটপুট। জেনারেটাল মডেলগুলির ডেটাগুলির নমুনা তৈরি করতে সক্ষম হওয়ার সুবিধা রয়েছে, তবে বৈষম্যমূলক মডেলগুলি সাধারণত শ্রেণিবদ্ধকরণ এবং প্রতিরোধের জন্য জেনেরেটরি মডেলের চেয়ে ভাল সম্পাদন করে কারণ জেনারেটরি মডেল শেখার জন্য এটি সংখ্যার বেশি নমুনার প্রয়োজন (কারণ তাদের p (x | x) এর সাথে p (x) মডেল করা দরকার p (x, y) শিখতে। সম্ভাব্য মডেলগুলির পরামিতিগুলি এলোমেলো ভেরিয়েবল হিসাবে বিবেচিত হয়, যার বিন্দু মান বা বিতরণ ডেটা থেকে অনুমান করা হয়। পরামিতি সর্বাধিক সম্ভাবনা অনুমান, সর্বাধিক উত্তরোত্তর অনুমান, বা বায়সিয়ান অনুমান দ্বারা শিখতে পারে।


    4.13 Dirichlet processes
    ডিরিচলেট প্রক্রিয়া (ডিপি) [২৯০] একটি বেইশিয়ান নন-প্যারামেট্রিক মডেল যা সাধারণত ক্লাস্টার ডেটা দ্বারা ব্যবহৃত হয় সম্ভবত অসীম উপাদানগুলির মিশ্রণ হিসাবে ডেটা মডেলিং। অসীম অনেকগুলি এলোমেলো ভেরিয়েবলগুলির একটি সেট এই যৌথের প্রান্তিকটি একটি ডিরিচলেট বিতরণ হলে তাকে ডিরিচলেট প্রক্রিয়া হিসাবে বিতরণ করা হবে বলে বলা হয়। কখন ক্লাস্টারিংয়ের জন্য ব্যবহৃত, ডিরিচলেট প্রক্রিয়া দ্বারা মডেল করা ক্লাস্টারের সংখ্যা ডেটা দিয়ে বাড়তে পারে, না বেশিরভাগ ক্লাস্টারিং পদ্ধতির বিপরীতে এটি আগে থেকেই সেট করা আবশ্যক। ডিরিচলেট প্রক্রিয়াটির জন্য আবেদন করা হয়েছে হাইপারস্পেকট্রাল ডেটা শ্রেণিবদ্ধকরণ এবং আনমিক্স করা।
    [১1১] সালে, একটি স্থানিকভাবে অভিযোজিত, আধা-তত্ত্বাবধানে ডিপি ভিত্তিক শ্রেণিবদ্ধকরণ অ্যালগরিদম প্রস্তাবিত হয়েছিল। এই অ্যালগরিদম গাউসিয়ান একটি ডিপি ভিত্তিক গাওসির অসীম মিশ্রণ দ্বারা ডেটা মডেল করেছেন স্থানিকভাবে পরিবর্তিত গাউসিয়ান প্রক্রিয়া দ্বারা প্রদত্ত। এই পদ্ধতিটি নতুন ক্লাসগুলি আবিষ্কার করতে সক্ষম প্রশিক্ষণ সংস্থায় বিনা লেবেলযুক্ত নমুনাগুলি, যা হাইপারস্পেকট্রাল শ্রেণিবিন্যাসের একটি অস্বাভাবিক বৈশিষ্ট্য আলগোরিদিম। একটি ডিপি ভিত্তিক যৌথ এন্ডেম্বার এক্সট্রাকশন এবং লিনিয়ার আনমিক্সিং অ্যালগরিদম প্রস্তাবিত হয়েছিল [221]। এই পদ্ধতিটি কোনও বয়েসীয় রৈখিক অঞ্চলে প্রাচুর্যের পূর্ববর্তী স্থান হিসাবে স্টিকি হায়ারার্কিকাল ডিপি ব্যবহার করে আনমিক্সিং ফ্রেমওয়ার্ক এবং গিডগুলি শেষেরগুলি এবং এর উত্তরের বিতরণগুলি অনুমান করার জন্য নমুনা প্রাচুর্য। [৩৩২], প্রস্তাবিত মডেল হাইপারস্পেকট্রাল প্রস্তাবিত পিসওয়াইস কনভেক্স এন্ডেম্বার (পিসিই) সনাক্তকরণ অ্যালগরিদম বিচ্ছিন্ন উত্তল অঞ্চলগুলির সংগ্রহ হিসাবে ডেটা। নম্বর এবং অবস্থান নির্ধারণের জন্য ডিপি ব্যবহার করা হত এই উত্তল অঞ্চলগুলির, এবং সর্বাধিক একটি পোস্টেরিয়েরি অনুমান ভিত্তিক পদ্ধতিটি অনুমান করার জন্য ব্যবহৃত হয়েছিল গাউসিয়ান সেই অঞ্চলগুলিতে এন্ডেম্বারগুলি বিতরণ করেছিলেন। একটি স্টোকাস্টিক প্রত্যাশা সর্বাধিকীকরণ অ্যালগরিদম উত্তোলিত প্রাচুর্য এবং শেষের অংশগুলি পুনরাবৃত্তভাবে সংশোধন করতে ব্যবহৃত হত। এর সম্পূর্ণ বায়েশিয়ান সংস্করণ অনুমানের জন্য মেট্রোপলিস-ইন-গিবস স্যাম্পলিং ব্যবহার করে এমন এই অ্যালগরিদমটি লেখকরা প্রবর্তন করেছিলেন [333] এ

    4.14 Deep learning
    গভীর শেখার [122, 30] পদ্ধতিগুলি লক্ষ্যের সাথে অ-লিনিয়ার রূপান্তরগুলির একটি শ্রেণিবিন্যাস প্রয়োগ করে এর লক্ষ্য সহ
    একটি বিমূর্ত, দরকারী উপস্থাপনা উত্পাদন। গ্রাফিকাল প্রসেসিং এর বিকাশের বৃদ্ধি
    ইউনিট (জিপিইউ), বড় ডেটাসেটের প্রাপ্যতা এবং গভীর নেটওয়ার্ক প্রশিক্ষণের ক্ষেত্রে উদ্ভাবন যেমন ড্রপআউট,
    সংশোধিত রৈখিক ইউনিট, অবশিষ্টাংশ শেখা, ব্যাচ সাধারনকরণ এবং ঘন সংযোগগুলির ফলে কম্পিউটার দৃষ্টি, বক্তৃতা স্বীকৃতি, প্রাকৃতিক ভাষা প্রসেসিং,
    এবং আরও অনেক ইঞ্জিনিয়ারিং শাখা। রিমোট সেন্সিং গবেষকরাও অসংখ্য গভীর বিকাশ করেছেন
    ভিত্তিক রিমোট সেন্সিং ডেটা বিশ্লেষণ পদ্ধতি যা শিখিয়ে শীর্ষস্থানীয় পারফরম্যান্স তৈরি করেছে learning বর্তমানে,
    মূল ফোকাস জমি কভার শ্রেণিবিন্যাস টাস্কের উপর তবে ভবিষ্যতে আমরা গভীর শিক্ষার ব্যবহার আশা করতে পারি
    অন্যান্য কাজের জন্যও। এর জনপ্রিয়তার কারণে, সম্প্রতি পরিচয় করানোর জন্য একটি টিউটোরিয়াল [338] প্রকাশিত হয়েছিল
    রিমোট সেন্সিং গবেষকদের গভীর শিক্ষা। এই বিভাগে, আমরা গভীর শিক্ষার বিকাশ পর্যালোচনা করি
    হাইপারস্পেকট্রাল বিশ্লেষণের জন্য পদ্ধতিগুলি।
    চেন ইত্যাদি। []০] হাইপারস্পেকট্রাল শ্রেণিবিন্যাসের জন্য লজিস্টিক রিগ্রেশন দ্বারা স্ট্যাকড অটোরকোডারগুলি থেকে শিখে নেওয়া বৈশিষ্ট্যগুলিকে শ্রেণিবদ্ধ করার প্রস্তাব দেওয়া হয়েছিল। অটেনকোডারস [306] হ'ল নিউরাল নেটওয়ার্ক যা একটিতে ইনপুট ম্যাপ করে
    আকারের লুকানো স্তরটি ইনপুটের চেয়ে ছোট এবং তারপরে আউটপুটটিতে ইনপুট সংকেতটি পুনর্গঠন করার চেষ্টা করুন
    লুকানো স্তর সক্রিয়করণগুলি ব্যবহার করে, যাতে লুকানো স্তরের সক্রিয়করণগুলি একটি কমপ্যাক্ট, অ-লিনিয়ার সরবরাহ করে
    ইনপুট প্রতিনিধিত্ব। স্বয়ংক্রিয়কোডারগুলি স্ট্যাক করা এবং সূক্ষ্ম সুর করা যেতে পারে, যেমন লুকানো
    একের প্রতিনিধিত্ব হ'ল অন্যটির ইনপুট, ইনপুটটির গভীর বৈশিষ্ট্যগুলি শিখতে। চেন সেন্ট আল। দেখিয়েছেন
    হাইপারস্পেকট্রাল ইমেজ থেকে স্ট্যাকড অটোরকোডার দ্বারা উত্পন্ন বৈশিষ্ট্যগুলি সাধারণত ব্যবহৃত বৈশিষ্ট্য নিষ্কাশন পদ্ধতি যেমন প্রধান উপাদান বিশ্লেষণ (পিসিএ) দ্বারা উত্পাদিত চেয়ে ভাল ছিল,
    কার্নেল পিসিএ (কেপিসিএ), স্বতন্ত্র উপাদান বিশ্লেষণ (আইসিএ), অ-নেতিবাচক ম্যাট্রিক্স ফ্যাক্টেরাইজেশন এবং ফ্যাক্টর বিশ্লেষণ। তারা গভীর প্রতিনিধিত্ব শেখার জন্য গভীর বিশ্বাস নেটওয়ার্ক ব্যবহার করে এই কাজটি প্রসারিত করেছে
    [61]। একধরনের জেনারেটাল প্রোব্যাবিলিস্টিক নিউরাল নেটওয়ার্কগুলি স্ট্যাক করে গভীর বিশ্বাস নেটওয়ার্কগুলি গঠিত হয়,
    নিষিদ্ধ বল্টজম্যান মেশিনগুলি [175]। উভয় গবেষণাপত্রে, তিন ধরণের বৈশিষ্ট্য পরীক্ষা করা হয়েছিল - বর্ণালী,
    স্থানিক অধ্যুষিত এবং স্থানিক বর্ণালি। বর্ণালী বৈশিষ্ট্যগুলি ব্যবহার করে শেখার বৈশিষ্ট্যগুলি তৈরি করা হয়েছিল
    ইনপুট হিসাবে হাইপারস্পেকট্রাল চিত্রের পিক্সেল থেকে নেওয়া কাঁচা বর্ণালী। স্থানিক আধিপত্য বৈশিষ্ট্য
    ইনপুট হিসাবে পিক্সেল পাড়ার প্রভাবশালী প্রধান উপাদান (পিসিএ উপাদান) ব্যবহৃত
    বৈশিষ্ট্য নিষ্কর্ষক এবং স্থানিক-বর্ণালী পদ্ধতির কাঁচা পিক্সেল বর্ণালী এবং
    বৈশিষ্ট্য এক্সট্রাক্টরের ইনপুট হিসাবে পিক্সেল পাড়ার প্রভাবশালী পিসিএ উপাদানগুলি। তারা
    পাওয়া গেছে যে স্থানিক-বর্ণালী বৈশিষ্ট্যগুলির পারফরম্যান্স স্থানিক-আধিপত্যের চেয়ে ভাল ছিল
    বৈশিষ্ট্যগুলি যা পরিবর্তিত বর্ণাল বৈশিষ্ট্যগুলির কার্যকারিতার চেয়ে ভাল ছিল। স্থানিক স্তরযুক্ত এবং স্থানিক বর্ণালী বৈশিষ্ট্যগুলির সাথে তাদের পদ্ধতিটি ব্যাপকভাবে ব্যবহৃত স্থানিক-বর্ণালী সমর্থন ভেক্টরকে ছাড়িয়ে যায়
    মেশিন (এসভিএম)

    এটি দেখা গিয়েছিল যে পিসিএ উপাদানগুলির সীমা অবধি ব্যবহৃত সংখ্যাগুলির সাথে যথাযথতা বৃদ্ধি পেয়েছিল এবং তারপরে স্থির থাকে। তারা দেখতে পেয়েছিল যে নির্ভুলতা নেটওয়ার্কের গভীরতার উপর নির্ভরশীল এবং সর্বোত্তম গভীরতা শিখতে ক্রস-বৈধকরণের মতো স্কিম ব্যবহার করার পরামর্শ দেয়। লিউ ইত্যাদি। [১৯ 197] স্থানিক বর্ণালি শ্রেণিবদ্ধকরণের জন্য সম্মিলিত স্ট্যাকড ডিনোইজিং অটোনকোডার (গোলমাল ইনপুট বিষয়ে প্রশিক্ষিত একটি অটোরকোডার) এবং সুপার-পিক্সেল বিভাগ [192]। তাদের পদ্ধতিতে একটি শ্রেণিবিন্যাসের মানচিত্র প্রস্তুত করার জন্য বৈশিষ্ট্যগুলি তৈরি করতে একটি চিত্রের পিক্সেলগুলিতে প্রশিক্ষিত একটি তিন স্তরের স্ট্যাকড ডোনাইজিং অটোয়েনকোডার ব্যবহার করা হয়েছিল। এই শ্রেণিবদ্ধকরণ মানচিত্রটি তখন একটি সুপার-পিক্সেল পদ্ধতির ব্যবহার করে বিভাগে বিভক্ত করা হয়েছিল এবং একটি বিভাগের সমস্ত পিক্সেল সংখ্যাগরিষ্ঠ ভোটের ভিত্তিতে একটি সাধারণ শ্রেণিতে শ্রেণিবদ্ধ করা হয়েছিল। সজ্জিত অটোরকোডারগুলি যা যৌথভাবে শিখছে
    স্থানিক বর্ণালী বৈশিষ্ট্য প্রস্তাব করা হয়েছে। মা এট। [203] স্থানিক-বর্ণালী বৈশিষ্ট্য উত্পন্ন করার জন্য স্ট্যাকড অটোরকোডারগুলিকে যৌথ ইনপুট হিসাবে পিক্সেলের চারপাশের প্যাচের পিসিএ ব্যান্ড এবং পিক্সেলের স্পেকট্রা ব্যবহারের প্রস্তাব দিয়েছে। তারা আরও দেখিয়েছে যে আরও ছোট বর্ণালী কোণ সহ পিক্সেলগুলি প্রচার করছে
    পিক্সেলগুলিতে প্রশিক্ষিত অটোনকোডারগুলিতে একই গোপন স্তরের প্রতিনিধিত্ব এবং পরবর্তী স্বয়ংক্রিয়কোডার স্ট্যাক করার আগে প্রতিটি অটোনকোডারের স্থানীয়ভাবে লুকানো স্তর উপস্থাপনা [204] এ ভাল স্থানিক বৈশিষ্ট্য তৈরি করতে পারে। ভিশন টাস্কগুলির জন্য একটি জনপ্রিয় গভীর শেখার আর্কিটেকচার হ'ল একটি কনভোলশনাল নিউরাল নেটওয়ার্ক [170] (সিএনএন)। স্তন্যপায়ী ভিজ্যুয়াল সিস্টেম দ্বারা অনুপ্রাণিত হয়ে এই নিউরাল নেটওয়ার্কগুলিতে নিম্ন স্তরের থেকে উচ্চ-স্তরের বৈশিষ্ট্যগুলি শিখার জন্য একাধিক কনভলিউশন স্তর, অ-লিনিয়ারিটি স্তর এবং পুলিং স্তর রয়েছে। কনভলিউশন স্তরগুলিতে পুরোপুরি ইনপুটটির সাথে সংযুক্ত হওয়ার পরিবর্তে প্রতিটি লুকানো স্তর ইউনিট ভাগ করে নেওয়া ওজনের মাধ্যমে স্থানীয় অভ্যর্থনা ক্ষেত্রের (চিত্রগুলির জন্য পিক্সেল পাড়া) ইনপুটটির সাথে সংযুক্ত থাকে। অ-লিনিয়ারিটি স্তরটি সক্রিয়করণগুলিকে ইনপুটটির অ-লিনিয়ার ফাংশন করে তোলে। পুলিং স্তরগুলিতে, ইনপুট অনুবাদগুলিতে আগ্রাসন তৈরি করতে সর্বাধিক ক্রিয়াকলাপের মাধ্যমে বেশ কয়েকটি ইনপুট অবস্থানের প্রতিক্রিয়াগুলি সংক্ষিপ্ত করা হয়। একটি মাত্রিক [143], দ্বিমাত্রিক [262], এবং ত্রিমাত্রিক [59] কনভ্যুশনাল স্তরগুলির সাথে নেটওয়ার্কগুলি
    হাইপারস্পেকট্রাল ডেটা বিশ্লেষণের জন্য তৈরি করা হয়েছে। এক মাত্রিক কনভলিউশন স্তরযুক্ত পদ্ধতিগুলি ইনপুট হিসাবে বর্ণালী গ্রহণ করে এবং কেবল বর্ণালী তথ্য ক্যাপচার করে এমন বৈশিষ্ট্যগুলি শিখেন। [143] একটি নতুন পাঁচ প্রস্তাব
    শ্রেণিবিন্যাসের জন্য বর্ণালী উপর প্রশিক্ষিত স্তরযুক্ত সমঝোতা নিউরাল নেটওয়ার্ক। এই আর্কিটেকচারটিতে একটি ইনপুট স্তর, একটি কনভোলশন স্তর, একটি সর্বাধিক পুলিং স্তর, একটি সম্পূর্ণ সংযুক্ত স্তর এবং একটি আউটপুট স্তর রয়েছে। এটি দুটি তিনটি হাইপারস্পেকট্রাল ডেটাসেটে পরীক্ষা করা হয়েছিল এবং দেখা গেছে যে এই পদ্ধতিটি এসভিএম এবং বিদ্যমান অগভীর এবং গভীর নিউরাল নেটওয়ার্কগুলি, যেমন দুটি স্তর সম্পূর্ণ সংযুক্ত নিউরাল নেটওয়ার্ক, লেনেট -5 [176] এবং স্ট্যাকড অটোরকোডার ভিত্তিক পদ্ধতিকে ছাড়িয়ে গেছে [ 60]। লি ইত্যাদি। [187] 1D সিএনএন ব্যবহার করে স্থানিক বর্ণালী শ্রেণিবিন্যাস সম্পাদনের জন্য একটি পরিকল্পনা তৈরি করে। তারা বর্ণের জোড়ায় 1 ডি সিএনএন প্রশিক্ষিত করে সাধারণ শ্রেণিকে শ্রেণিবদ্ধকরণ করার জন্য যদি বর্ণালী জুটি একই বর্গের হয় এবং অন্যথায় 0 তম শ্রেণির পূর্বাভাস দেয়। পরীক্ষার সময়,
    পরীক্ষার পিক্সেল এবং তার প্রতিবেশী পিক্সেলগুলি একে একে জোড় তৈরি করা হয়েছিল, নেটওয়ার্কে খাওয়ানো হয়েছিল, এবং পরীক্ষার পিক্সেলের শ্রেণি সংখ্যাগরিষ্ঠ ভোটের মাধ্যমে পাওয়া গেছে

    সাধারণত, যে পদ্ধতিগুলি দ্বিমাত্রিক সমঝোতা স্তর ব্যবহার করে, প্রথমে ব্যান্ডের সংখ্যা হ্রাস করে
    পিসিএ এর মতো একটি মাত্রিকতা হ্রাস কৌশল ব্যবহার করে চিত্রটি এবং তারপরে দুটি মাত্রিক প্রয়োগ করুন বৈশিষ্ট্যগুলি নিষ্কাশন করতে চিত্র প্যাচগুলিতে কনভোলশনাল নেটওয়ার্ক। এই পদ্ধতিগুলির সংখ্যা হ্রাস করে নেটওয়ার্কের আকার নিয়ন্ত্রণ করতে ব্যান্ডগুলি যেমন বৃহত্তর নেটওয়ার্কে আরও প্রশিক্ষণের ডেটা প্রয়োজন যা সীমিত। [342] এ, বৈশিষ্ট্য ভেক্টরটি একটি কনভ্যুশনাল নিউরাল নেটওয়ার্কের শেষ স্তর থেকে বের করা হয়েছিল, যা ছিল চিত্র প্যাচগুলির প্রধান উপাদানগুলির ব্যান্ডগুলিতে প্রশিক্ষিত, বর্ণালী বৈশিষ্ট্য সহ সংযুক্ত ছিল বর্ণালী প্রাপ্ত করার জন্য বহুগুণ ভিত্তিক মাত্রিকতা হ্রাস কৌশল প্রয়োগ করে ভেক্টর প্রাপ্ত স্থানিক বর্ণালী বৈশিষ্ট্য। ইউ এট আল। [330] বাহ্যিক পণ্য সম্পাদন করে বর্ণালী বৈশিষ্ট্য মানচিত্র তৈরি করেছে পিক্সেলের স্পেকট্রা বিভিন্ন বিভাগের মধ্যে এবং এটি স্থানিক বৈশিষ্ট্য মানচিত্র সমন্বিত স্ট্যাক করা পিক্সেলের চারপাশের চিত্র প্যাচের প্রভাবশালী পিসিএ ব্যান্ডগুলি স্থানিক বর্ণালী ইনপুট গঠন করে যা ব্যবহৃত হয়েছিল ছয় স্তরযুক্ত কনভ্যুশনাল নিউরাল নেটওয়ার্ক প্রশিক্ষণ। [262] এ, স্পারস অ-নিরীক্ষণ দ্বারা উত্পাদিত বৈশিষ্ট্যগুলি কনভোলশনাল নিউরাল নেটওয়ার্ক, এনফোর্সিং পপুলেশন অ্যান্ড লাইফটাইম স্পারসিটি (ইপিএলএস) ব্যবহার করে প্রশিক্ষিত [২3৩] অ্যালগরিদম, পিসিএ এবং দ্বারা উত্পাদিত বৈশিষ্ট্যের চেয়ে শ্রেণিবিন্যাসের জন্য আরও ভাল পারফরম্যান্স দেখিয়েছে রেডিয়াল বেস ফাংশন কার্নেল সহ কার্নেল পিসিএ। ঘামিসি ইত্যাদি। [১১7] প্রস্তাবিত একটি ব্যান্ড নির্বাচন পদ্ধতি ব্যান্ডগুলি বেছে নিয়েছে যা জলাবদ্ধ কণা ব্যবহার করে বৈধতা সেটের তুলনায় 2 ডি সিএনএনের যথার্থতাকে সর্বাধিক করে তুলেছে অপ্টিমাইজেশান। লিয়াং ইত্যাদি। [১৯৩] এর থেকে স্পার কোড শিখিয়ে সংহত 2 ডি সিএনএন এবং অভিধান শিখন একটি তদারকি 2D সিএনএন এর শেষ স্তরগুলি, এবং শ্রেণীর পূর্বাভাস দেওয়ার জন্য পুনর্গঠন ক্ষতি ব্যবহার করে। তারা খুঁজে পেয়েছে সমর্থন ভেক্টর মেশিন ব্যবহারের চেয়ে অভিধান শেখার ব্যবহার ভাল ছিল।

    হাইপারস্পেকট্রাল ইমেজের স্থানিক বৈশিষ্ট্যের স্কেল তাত্ক্ষণিকের উপর নির্ভর করেদেখার ক্ষেত্র এবং ইমেজিং সিস্টেমের জ্যামিতি, Zhao et al. । [৩৪৩] শ্রেণিবিন্যাসের জন্য স্কেল ইনভেরিয়েন্স তৈরির জন্য তিনটি PCA ব্যান্ডের সাথে একটি মাল্টিস্কেল কনভুলেশনাল অটোনকোডার প্রস্তাবিত  তাদের মডেল কনভ্যুশনাল দুটি স্তরের মাধ্যমে একটি চিত্রের তিনটি প্রভাবশালী PCA ব্যান্ডের ল্যাপলাসিয়ান পিরামিডকে পাস করেস্পেকট্রাতে সংমিশ্রিত এবং লজিস্টিক রিগ্রেশনকে খাওয়ানো হয় এমন স্থানিক বৈশিষ্ট্য উত্পন্ন করতে স্বয়ংক্রিয়কোডার। স্কেল অদম্যতার কারণে, তাদের পদ্ধতিটি অত্যাধুনিক স্থানিক বর্ণালীর চেয়ে আরও ভাল পারফর্ম করেছেশ্রেণিবদ্ধকরণ অ্যালগরিদম, বর্ধিত রূপচর্চা প্রোফাইল পদ্ধতি [29] এবং মাল্টিলেভেল লজিস্টিক ভিত্তিকপদ্ধতি [180]। অ্যাপটোলা এট। [১]] হাইপারস্পেকট্রাল ইমেজটির জন্য 2-D CNN-এ ইনপুট হিসাবে অ্যাট্রিবিউট প্রোফাইল [229] ব্যবহার করার প্রস্তাব দেওয়া হয়েছে কারণ এই প্রোফাইলগুলি বিভিন্ন স্কেলে কোনও চিত্রের কাঠামোগত তথ্য ক্যাপচার করতে পারে।

    Chen et al.  [৫৯] পূর্বাভাস দেওয়ার জন্য একটি ত্রি-মাত্রিক প্রান্ত থেকে শেষ পর্যন্ত কনভ্যুশনাল নিউরাল নেটওয়ার্ক প্রস্তাব করেছে পরীক্ষার পিক্সেলের চারপাশে চিত্র প্যাচ থেকে উপাদান শ্রেণি। "শেষ থেকে শেষ" শব্দটি ইনপুট স্তরে কাঁচা ইনপুট সংকেত গ্রহণ করে এবং আউটপুট স্তরে চূড়ান্ত আউটপুট উত্পাদন করে এমন নেটওয়ার্কগুলি বোঝাতে ব্যবহৃত হয় এবং কোনও প্রাক-প্রসেসিং বা পোস্ট-প্রসেসিং ব্যবহার করবেন না। ত্রি-মাত্রিক কনভ্যুশনাল নেটওয়ার্কগুলি দ্বি-মাত্রিক কনভ্যুশনাল নেটওয়ার্কগুলির চেয়ে সুবিধাজনক কারণ তারা সরাসরি স্থানিক-বর্ণালী বৈশিষ্ট্যগুলি শিখতে পারে কারণ তাদের ফিল্টারগুলি স্থানিক এবং বর্ণালী উভয় অক্ষের উপরে ছড়িয়ে পড়ে। তারা প্রশিক্ষণের উদাহরণগুলিতে আলোকসজ্জার পরিবর্তনের মডেলিংয়ের মাধ্যমে প্রশিক্ষণের ডেটা বৃদ্ধি করার জন্য প্রশিক্ষণের উদাহরণগুলির মধ্যে রৈখিক মিশ্রণের মডেলিংয়ের মাধ্যমে উত্সাহিত প্যাচগুলি সহ প্রশিক্ষণ ডেটা বৃদ্ধি করার প্রস্তাব দিয়েছিল। প্রশিক্ষণের ডেটা বৃদ্ধি করে তারা ইমেজ ব্যান্ডগুলির কোনও মাত্রিক হ্রাস ছাড়াই প্রস্তাবিত নেটওয়ার্কটি প্রশিক্ষণ দিতে সক্ষম হয়েছিল। পূর্ববর্তী হাইপারস্পেকট্রাল গভীর শেখার পদ্ধতিগুলি ইমেজটিতে ব্যান্ডের সংখ্যা হ্রাস করতে মাত্রিকতা হ্রাসের উপর নির্ভর করে এবং তাই মডেলটিতে পরামিতিগুলির সংখ্যা সীমিত করে। হাইপারস্পেকট্রাল শ্রেণিবিন্যাসের জন্য 3 ডি সিএনএন ব্যবহার করার একই ধারণাটি আবার উপস্থাপিত হয়েছিল [191]। এই কাজটি দেখিয়েছে যে থ্রিডি সিএনএন আউটফরফর্মড বেসলাইন স্ট্যাকড অটেনকোডার, গভীর বিশ্বাস নেটওয়ার্ক এবং 2 ডি সিএনএন। একইভাবে, একটি 3D অবশিষ্টাংশ [১৩৮] সিএনএন প্রস্তাবিত হয়েছিল [৩৪৯]। রেসিডুয়াল নেটওয়ার্কগুলিতে রেসিডুয়াল ব্লক রয়েছে যা পুরো লক্ষ্য ফাংশনটি শেখার পরিবর্তে লক্ষ্য ফাংশন এবং ইনপুটটির মধ্যে পার্থক্য শিখায় যা নেটওয়ার্কে বিপুল সংখ্যক স্তর উপস্থিত থাকলে ওভারফিটিংয়ের বিরুদ্ধে তাদের আরও দৃust় করে তোলে।

    সম্প্রতি, জে এট আল দ্বারা আধা-তত্ত্বাবধানে শ্রেণিবিন্যাসের জন্য জেনারেটর অ্যাডভারসিয়াল নেটওয়ার্কগুলি (GANs) [১২৩] প্রস্তাব করা হয়েছিল। [139]।GANs হ'ল জেনারেটাল মডেল যা দুটি প্রতিযোগিতামূলক নিউরাল নেটওয়ার্ক ব্যবহার করে ডেটা বিতরণ থেকে নমুনা তৈরি করতে শেখে, একটি জেনারেটর নামে পরিচিত এবং অন্যটি বৈষম্যমূলক বলা হয়। zhi  এট আল, হাইপারস্পেকট্রাল ইমেজ থেকে প্রাপ্ত স্থানিক-বর্ণালী বৈশিষ্ট্যগুলিতে জেনারেটর এবং বৈষম্যবিদকে প্রশিক্ষণ দিয়েছিলেন। তারপরে, তারা শেষে বৈষম্যমূলক নেটওয়ার্কে একটি সফটম্যাক্স স্তর যুক্ত করে এবং শ্রেণিবদ্ধকরণ করতে নেটওয়ার্কটিকে সূক্ষ্মভাবে সুর করে। প্রশিক্ষণের উদাহরণ সংখ্যা যখন ছোট ছিল তখন তাদের পদ্ধতি কার্যকর বলে প্রমাণিত হয়েছিল।

    দুটি প্রক্রিয়াজাতকরণ স্ট্রিম, বর্ণাল তথ্যের জন্য 1-ডি সিএনএন স্ট্রিম (ট্রেনডেন স্পেকট্রাম) এবং স্থানিক তথ্যের জন্য পিক্সেলের চারপাশে চিত্র প্যাচের উপর প্রশিক্ষিত 2-ডি সিএনএন প্রবাহ সহ একটি আর্কিটেকচার, [336] এ প্রস্তাব করা হয়েছিল। শ্রেণিবদ্ধের আগে বর্ণালী এবং স্থানিক বৈশিষ্ট্যগুলিকে একত্রিত করার পদ্ধতিগুলির থেকে পৃথক যে এই পদ্ধতিটি বর্ণালি এবং স্থানিক বৈশিষ্ট্য নিষ্কর্ষকগুলিকে যৌথভাবে অনুকূল করে তোলে। একইভাবে, ইয়াং ইত্যাদি। [328] দুটি স্ট্রিম স্প্যাটিয়াল-বর্ণালী নেটওয়ার্ক ব্যবহার করে ট্রান্সফার লার্নিং সম্পাদন করেছে। তারা দুটি সম্পূর্ণ বর্ণিত উত্স চিত্র ব্যবহার করে নেটওয়ার্কটি প্রশিক্ষণ দিয়েছিল, পূর্ববর্তী স্তরগুলির ওজন নির্ধারণ করেছে এবং পরীক্ষার চিত্রগুলিতে ফাইন টিউনযুক্ত চূড়ান্ত স্তরগুলি ব্যবহার করে। তারা দেখতে পেলেন যে ওজন স্থানান্তর করা পরীক্ষার চিত্রটিতে স্ক্র্যাচ থেকে পুরো নেটওয়ার্ককে প্রশিক্ষণের চেয়ে ভাল ফলাফল দেয়। সানতারা এট আল। [২77] একটি এন্ড-টু-এন্ড নেটওয়ার্ক প্রস্তাব করেছে যা নন-ওভারল্যাপিং ব্যান্ডগুলির গ্রুপ নির্বাচন করে, তাদেরকে সমান্তরাল সমান্তরাল প্রক্রিয়াকরণ প্রবাহগুলিতে প্রসেস করে এবং চূড়ান্ত আউটপুট উত্পাদন করতে তাদের একত্রিত করে।

    একটি সম্পূর্ণ সমঝোতা নেটওয়ার্কটি কেবল সমাপ্তি স্তর এবং সম্পূর্ণরূপে সংযুক্ত স্তরযুক্ত একটি শেষ থেকে শেষ গভীর নেটওয়ার্ক। এটি একটি শ্রেণিবদ্ধ আকারের চিত্রটিকে সরাসরি তার শ্রেণিবদ্ধকরণের মানচিত্রে ম্যাপ করার প্রশিক্ষণ দেওয়া হয়। জিয়াও এট আল দ্বারা পদ্ধতি। [১৫ 15] মাল্টি-স্কেল বৈশিষ্ট্য উত্পন্ন করতে আরজিবি গ্রাউন্ড ভিত্তিক চিত্রগুলিতে এফসিএন -8 [২5৫] নেটওয়ার্ক ব্যবহৃত হয়েছিল, যা তখন ভারাক্রান্ত এবং গঠনের সাথে বর্ণালী দিয়ে সংযুক্ত করা হয়েছিল শ্রেণিবিন্যাসের জন্য স্থানিক-বর্ণালী বৈশিষ্ট্য। যেহেতু, এফসিএন -8 3 টি ব্যান্ড (রেড-গ্রিন-ব্লু) উপর প্রশিক্ষণপ্রাপ্ত, এই পদ্ধতিটি কেবল ইনপুট হিসাবে হাইপারস্পেকট্রালের 3 টি প্রভাবশালী পিসিএ ব্যান্ড ব্যবহার করে। [১77] -তে একটি উপন্যাস পুরোপুরি সমঝোতাযুক্ত হাইপারস্পেকট্রাল চিত্রগুলির জন্য আর্কিটেকচার প্রস্তাব করা হয়েছিল। নেটওয়ার্কটি হাইপারস্পেকট্রাল ইমেজ প্যাচগুলিতে ইনপুট হিসাবে এবং আউটপুট হিসাবে চিত্রের প্যাচগুলির সাথে সম্পর্কিত গ্রাউন্ড ট্রুথ ম্যাপে প্রশিক্ষিত হয়েছিল। এই নেটওয়ার্কটি প্রথম স্তরের একাধিক স্কেলে বৈশিষ্ট্যগুলি নিষ্কাশন করতে একাধিক স্কেল কনভোলিউশনাল ফিল্টার ব্যাংক ব্যবহার করেছে। নেটওয়ার্কটি অপ্টিমাইজেশনকে আরও সহজ করতে রেসিডুয়াল লার্নিং [138] এবং ডেটা বর্ধনের (অনুভূমিক, উল্লম্ব, তির্যক অক্ষগুলির সাথে মিররিং) এড়িয়ে যাওয়ার সংযোগগুলিও রয়েছে। নেটওয়ার্কের সম্পূর্ণ সমঝোতা প্রকৃতির কারণে, পরীক্ষার সময় পুরো পরীক্ষার চিত্রটি এক সাথে পুরো চিত্রটি শ্রেণিবিন্যাসের মানচিত্র তৈরি করার জন্য নেটওয়ার্কে প্রেরণ করা হয়েছিল


    টাও এট আল। [২৮৫] দুটি স্তরের স্ট্যাকড বিচ্ছিন্ন অটোরকোডার (একটি অটোরকোডার যা ব্যবহার করে) মাল্টিস্কেল স্থানিক-বর্ণালী শিখতে প্রশিক্ষণের সময় গোপন স্তরে সক্রিয়করণের স্পারসিটিটিকে উত্সাহ দেয় একটি নিরীক্ষণ পদ্ধতিতে বৈশিষ্ট্যগুলি। তাদের পদ্ধতিটি হাইপারস্পেকট্রাল ইমেজে পিসিএ প্রয়োগ করে এবং নিষ্কাশন করা হয় প্রভাবশালী অধ্যক্ষের কাছ থেকে অটোইনকোডারগুলির একটি সেট শিখতে বিভিন্ন আকারের এলোমেলো বর্গাকার প্যাচ বিভিন্ন স্কেলে উপাদান ব্যান্ড। সমস্ত অটোরকোডার থেকে প্রাপ্ত ফলাফলগুলি সম্মত হয়েছে একটি চূড়ান্ত বৈশিষ্ট্য ভেক্টর যা লিনিয়ার এসভিএম সহ শ্রেণিবিন্যাসের জন্য ব্যবহৃত হয়েছিল। এটিই ছিল প্রথম গবেষণা হাইপারস্পেকট্রাল ইমেজের বৈশিষ্ট্যগুলির স্থানান্তরিতকরণ তদন্ত করেছে। তারা দেখতে পেয়েছিল যে পৃথক উত্সের চিত্রটিতে শিখে নেওয়া বৈশিষ্ট্যগুলি পরীক্ষার ইমেজে নিজেই শেখার বৈশিষ্ট্যগুলির মতো ভাল হতে পারে। অনুরূপভাবে, কেমকার এবং কানন [ 16৩] বহু-স্কেল আইসিএ এবং স্ট্যাকযুক্ত কনভ্যুশনাল অটোনকোডারটি অপ্রচলিত শিখার জন্য প্রস্তাবিত চিত্র প্যাচগুলি থেকে স্থানিক-বর্ণালী উপস্থাপনা।
    [২৮৫] এর তুলনায় তারা বৈশিষ্ট্য শেখার জন্য একাধিক সেন্সর থেকে বৃহত্তর প্রশিক্ষণ সেট ব্যবহার করেছেন।


    বৈশিষ্ট্য শেখার জন্য একাধিক সেন্সর থেকে। অন্যদিকে, অধ্যয়নগুলি [328, 212] একটি টীকাগুলি উত্স হাইপারস্পেকট্রাল ইমেজটিতে CNN প্রেরণা তৈরি করার ধারণাটি তদন্ত করেছে এবং তারপরে কেবল ফিনেটুনিংপর্যবেক্ষণ পদ্ধতিতে স্থানিক বর্ণালী উপস্থাপনা শিখতে পরীক্ষার হাইপারস্পেকট্রাল ইমেজের শেষ স্তরগুলি। একটি ডোমেন অভিযোজন ভিত্তিক পদ্ধতি যা উত্স চিত্র এবং গন্তব্য চিত্রের বিতরণের পার্থক্যের জন্য অদম্য বৈশিষ্ট্যগুলি শিখেছে [99] তে প্রস্তাবিত হয়েছিল। তাদের পদ্ধতিটি এমন বৈশিষ্ট্যগুলি শিখতে একটি শেষ-থেকে-শেষ ডোমেন-অ্যাডভারসিয়াল নিউরাল নেটওয়ার্ক [112] ব্যবহার করে যা বৈশিষ্ট্যগুলি উত্স চিত্র বা গন্তব্য চিত্র থেকে এসেছে কিনা তার ভিত্তিতে পৃথকতাটিকে ন্যূনতম করে। এটি খুঁজে পাওয়া যায় যে উত্স চিত্র এবং উত্স এবং গন্তব্য চিত্রের উপর ভিত্তি করে প্রশিক্ষিত বেসলাইন গভীর নেটওয়ার্কগুলিতে ডিনোইজিং অটোরকোডার, PCA, and KPCA প্রয়োগ করার মাধ্যমে শেখানো বৈশিষ্ট্যের চেয়ে এই বৈশিষ্ট্যটি আরও ভাল।

    যদিও এই বিভাগে সমস্ত অ্যালগরিদমগুলি আলোচনা করা হয়েছে তা গভীরভাবে শ্রেণিবদ্ধকরণ অ্যালগরিদম হয়েছে শেখার কাজ অন্যান্য কাজের জন্যও ব্যবহার করা যেতে পারে। একটি গভীর এবং স্থানান্তর শিখন ভিত্তিক অসাধারণ ডিটেক্টর হয়েছে সম্প্রতি প্রকাশিত [186]। এই পদ্ধতিতে এটি সনাক্ত করার জন্য একটি দ্বি-শ্রেণীর এক মাত্রিক সিএনএন প্রশিক্ষণ দেওয়া হয়েছিল দুটি বর্ণালী মধ্যে পার্থক্য। পুরোপুরি থেকে বর্ণের জুড়ি নির্বাচন করে প্রশিক্ষণ সেট তৈরি করা হয়েছিল বর্ণিত পৃথক প্রশিক্ষণ চিত্র। বর্ণের জুড়ি 0-শ্রেণিতে বরাদ্দ করা হয় যদি তারা একই হয় উপাদান এবং 1-শ্রেণি যদি তারা বিভিন্ন উপকরণ অন্তর্ভুক্ত। পরীক্ষার সময়, পরীক্ষার চিত্রটিতে প্রতিটি পিক্সেল এর সমস্ত প্রতিবেশীদের সাথে তুলনা করা হয়েছিল এবং নেটওয়ার্ক থেকে প্রাপ্ত স্কোরটি গড়ে ছিল। ব্যতিক্রমসমূহ তারপরে এই স্কোরটি থ্রেশোল্ড করে সনাক্ত করা হয়েছিল

    ক্রমবর্ধমান নিউরাল নেটওয়ার্কগুলি (আরএনএন) সিক্যুয়াল ডেটা মডেলিংয়ের জন্য জনপ্রিয় স্থাপত্য। তারা তাদের গণনায় প্রতিক্রিয়া লুপ ধারণ করে বর্তমান আউটপুট বর্তমান ইনপুট এবং পূর্ববর্তী ইনপুট উপর নির্ভরশীল। এটি পূর্বে যে সমস্ত নেটওয়ার্কগুলির বিষয়ে আমরা আলোচনা করেছি তার থেকে পৃথক, যা আউটপুট উত্পাদন করতে ফিডফোরওয়ার্ড গণনা ব্যবহার করে। মৌ এট আল। [225] শ্রেণিবিন্যাসের জন্য 1-ডি সিকোয়েন্স হিসাবে হাইপারস্পেকট্রাল ইমেজে পিক্সেল স্পেকট্রা মডেল করতে আরএনএন ব্যবহার করার প্রস্তাবিত। তারা দুটি ধরণের পুনরাবৃত্ত ইউনিট, যথা দীর্ঘমেয়াদী স্বল্পমেয়াদী মেমরি [124] (এলএসটিএম) এবং গেটেড পুনরাবৃত্ত ইউনিট [৯] (জিআরএন) এর উপর ভিত্তি করে আর্কিটেকচার নিয়ে পরীক্ষা-নিরীক্ষা করেছিল। তারা দেখতে পেল যে জিআরএন হাইপারস্পেকট্রাল ডেটা মডেলিংয়ের জন্য এলএসটিএম এর চেয়ে ভাল কাজ করেছে এবং পুনরাবৃত্ত নেটওয়ার্ক উভয়ই traditional পদ্ধতির এবং বেসলাইন সিএনএনকে ছাড়িয়ে গেছে। একইভাবে, উ এট আল। [320] দেখিয়েছেন যে একটি কনসিভ্যুশনাল আরএনএন [৩৫২] (আরএনএন অনুসারে কয়েকটি কনভ্যুসিভাল স্তর রয়েছে এমন একটি নেটওয়ার্ক) এলএসটিএম এবং বেসলাইন সিএনএন এর চেয়ে বর্ণালী শ্রেণিবিন্যাসের জন্য ভাল পছন্দ।


    5 Open Issues and Future Challenges 
    5.1 Curse of dimensionality

    হাইপারস্পেকট্রাল ডেটার উচ্চ মাত্রা হ'ল রিমোট সেন্সিংয়ের একটি সু-অধ্যয়নিত সমস্যা। এটি মোকাবেলায় প্রস্তাবিত কিছু কৌশল হ'ল মাত্রা হ্রাস [২4৪], স্থানিক তথ্যের সংমিশ্রণ [১০7], স্থানান্তর এবং মাল্টিটাস্ক লার্নিং [৩২৮, ২৯৮], এবং সিন্থেটিক উদাহরণগুলির সাথে প্রশিক্ষণের তথ্য পরিপূরক [৫৯]। যাইহোক, হাইপারস্পেকট্রাল ডেটার প্রকৃতি সম্পর্কে অন্বেষণ করার মতো আরও অনেক কিছু আছে। হাইপারস্পেকট্রাল ডেটার বৈশিষ্ট্যগুলি সম্পর্কে দুটি উন্মুক্ত প্রশ্ন হ'ল আন্ত: মাত্রিক মাত্রা [২০২] এবং ভার্চুয়াল মাত্রিকতা [51]। যেহেতু, হাইপারস্পেকট্রাল ব্যান্ডগুলি সাধারণত প্রতিচ্ছবি বর্ণনাকে ওভারসাম্পল করে অনেক তরঙ্গদৈর্ঘ্য, হাইপারস্পেকট্রাল ডেটা একটি উচ্চ মাত্রিক জায়গার মধ্যে একটি ছোট উপস্থানে থাকা অপরিহার্য। কোনও ছবিতে প্রাসঙ্গিক সমস্ত তথ্য বহন করতে প্রয়োজনীয় ন্যূনতম সংখ্যাকে অন্তর্নির্ভর মাত্রা বলে। এমন পদ্ধতির প্রয়োজন রয়েছে যা নীচের অংশে নিষ্কাশন করতে পারে হাইপারস্পেকট্রাল ডেটার মাত্রিক উপস্থাপনা যা বিভিন্ন চিত্রের জন্য বিভিন্ন অ্যাপ্লিকেশনের জন্য প্রয়োগ করা যেতে পারে। আন্তঃআমিতিক মাত্রার যথাযথ পরিমাণ এবং বোধগম্যতা বিকাশকে কেবল আরও দক্ষ বিশ্লেষণ অ্যালগরিদমকে সৃজন করবে না, তবে সাশ্রয়ী সাশ্রয়ী বিকাশে সহায়তা করবে, কম অপ্টিমাইজড ব্যান্ড সহ দক্ষ সেন্সর। ভার্চুয়াল মাত্রিকতা একটি সম্পর্কিত ধারণা এবং সম্ভাব্য অনন্য বর্ণালী স্বাক্ষরের মোট সংখ্যা হিসাবে সংজ্ঞায়িত হয়। যেমনটি আগে আলোচনা করা হয়েছে, কোনও উপাদানের প্রতিবিম্ব বর্ণালীটি তার উপাদান "খাঁটি" উপকরণগুলির "প্রতিবিম্ব বর্ণালীগুলির রৈখিক বা অ-রৈখিক সংমিশ্রণ। এর অর্থ প্রতিটি প্রতিবিম্ব স্পেকট্রামকে বিশুদ্ধ (এন্ডেমবার) বা অপবিত্র (মিশ্রিত) হিসাবে শ্রেণীবদ্ধ করা যেতে পারে। সুতরাং,
    যদি হাইপারস্পেকট্রাল ডেটার একটি স্থির, পরিমাণযোগ্য আন্তঃ মাত্রিকতা থাকে তবে খাঁটি উপকরণগুলিরও কেবল একটি নির্দিষ্ট সংখ্যক হওয়া উচিত। ভার্চুয়াল মাত্রিকতা তুলনায় তুলনামূলকভাবে অনাবিষ্কৃত ধারণা স্বতন্ত্র মাত্রিকতা এবং যদি এটি সঠিকভাবে বোঝা যায় তবে হাইপারস্পেকট্রাল ডেটা বিশ্লেষণের উপর গভীর প্রভাব ফেলতে পারে।


    5.2 Robustness and reliability of models

    হাইপারস্পেকট্রাল ডেটা বিশ্লেষণের দুর্দান্ত চ্যালেঞ্জটি এমন মডেলগুলি তৈরি করা যা ইমেজ অধিগ্রহণের সময় এবং মরসুম, সাইট, প্ল্যাটফর্ম, স্থানিক রেজোলিউশন, বর্ণালী রেজোলিউশন, ব্যান্ড স্যাম্পলিং অন্তর এবং সেন্সর প্রযুক্তির মতো বিষয়গুলির মধ্যে পার্থক্যের প্রতিপন্ন হয়। এটি একটি উচ্চাকাঙ্ক্ষী কাজ কারণ স্পেকট্রাতে বিশাল পরিবর্তনশীলতা রয়েছে যখন যে কোনও একটি উপাদান এমনকি সামান্য পরিবর্তিত হয়। অতএব, এখনও পর্যন্ত অধ্যয়নগুলি বেশিরভাগ ক্ষেত্রে বিকাশকারী মডেলগুলিতে মনোনিবেশ করেছে যা একটি নির্দিষ্ট চিত্রের জন্য ভাল কাজ করে। এই মডেলগুলি সাধারণত পরীক্ষার ইমেজে লেবেলযুক্ত পিক্সেলগুলিতে বা চিত্রিত সাইটে সংগ্রহ করা স্থল বর্ণালী এবং স্থল সত্যের উপর প্রশিক্ষণ দেওয়া হয় এবং অবশিষ্ট লেবেলযুক্ত পিক্সেলগুলিতে মূল্যায়ন করা হয়। তা সত্ত্বেও,

    দূরবর্তী সংবেদনশীল সম্প্রদায়ের মধ্যে এই জাতীয় মডেলের প্রতি আগ্রহ বাড়তে শুরু করেছে, যেমন প্রতিযোগিতায় সমস্যা হিসাবে দেখা হয়েছে 2017 আইইইই জিওসায়েন্স এবং রিমোট সেন্সিং (জিআরএসএস) ডেটা ফিউশন প্রতিযোগিতা 1। প্রতিযোগিতার কাজটি হ'ল বিভিন্ন মৌসুমে বিভিন্ন উপগ্রহের দ্বারা সংগ্রহ করা মাল্টিস্পেক্ট্রাল ডেটা ব্যবহার করে প্রশিক্ষণ চিত্রগুলিতে পৃথক পৃথক তথ্য প্রদানের গ্রাউন্ড ট্রুথ ল্যান্ড ব্যবহার করে নতুন পরীক্ষামূলক শহরগুলির জমি ব্যবহারের মানচিত্র তৈরি করা। একবার স্যাটেলাইট ভিত্তিক হাইপারস্পেকট্রাল ইমেজিং আরও পরিপক্ক হয়ে উঠলে, এই জাতীয় ডেটাসেটগুলি হাইপারস্পেক্ট্রাল চিত্রগুলির জন্যও উপলব্ধ হবে এবং গবেষকরা নতুন পদ্ধতি আবিষ্কার করার সুযোগ পাবেন বহু-শহরের হাইপারস্পেকট্রাল শ্রেণিবিন্যাসের জন্য।

    5.3 Big data without ground truth

    যন্ত্রগুলির প্রাথমিক ব্যয়ের পরে, এমনকি একটি ছোট অঞ্চলের স্থল সত্যের তথ্য সংগ্রহের চেয়ে প্রায়শই হাইপারস্পেকট্রাল ইমেজ প্রাপ্ত করা সস্তা। স্থল সত্যের কিছু তথ্যের জন্য, যেমন রাসায়নিক সংমিশ্রণ এবং আনমিক্সিং এবং শারীরিক / রাসায়নিক পরামিতি অনুমানের জন্য প্রয়োজনীয় পদার্থগুলির শারীরিক বৈশিষ্ট্যগুলি, খুব কম নমুনাগুলির জন্য স্থল সত্য পাওয়া কেবল ব্যবহারিক  এটি গ্রাউন্ড সত্য বা খুব সীমিত স্থল সত্য ছাড়াই চিত্রের বৃহত ডাটাবেসের প্রাপ্যতার দিকে পরিচালিত করে। সেন্সরগুলির ক্রমবর্ধমান গুণমান এবং ক্ষুদ্রতরকরণের সাথে এবং এই পরিমাণটি কেবলমাত্র মানহীন বায়ুভিত্তিক যানবাহন ভিত্তিক এবং উপগ্রহ-ভিত্তিক ইমেজিং আরও জনপ্রিয় হয়ে উঠার কারণে কেবলমাত্র তাত্পর্যপূর্ণ হারে বাড়তে পারে। স্থল সত্য-কম চিত্রগুলির এই বিশাল পরিমাণের প্রাপ্যতা একটি আকর্ষণীয় প্রশ্ন উত্থাপন করে যে সেগুলি বিদ্যমান পদ্ধতির উন্নতি করতে এবং নতুন পদ্ধতি তৈরি করতে ব্যবহৃত হতে পারে কিনা  নিরীক্ষণযোগ্য গভীর শিক্ষণ এই প্রশ্নের উত্তর দেওয়ার জন্য একটি চাবিকাঠি হতে পারে।

    শক্তিশালী তত্ত্বাবধানে গভীর শেখার পদ্ধতির বিকাশ বড় আকারের ডেটাসেটগুলির বিকাশের উপর নির্ভরশীল, নিরীক্ষণযোগ্য গভীর শিক্ষণ হাইপারস্পেকট্রাল ডেটার শক্ত প্রতিনিধিত্ব শিখতে পারে
    ইতিমধ্যে উপলব্ধ লেবেলযুক্ত বিস্তর পরিমাণ ব্যবহার করে। গবেষণাগুলি ইতিমধ্যে বিভিন্ন দৃশ্যের চিত্রগুলির মধ্যে [২৮৫, ১3৩] শিখে নেওয়া অকার্যকর বৈশিষ্ট্যগুলির স্থানান্তরযোগ্যতা তদন্ত করেছে। জেনারেটর অ্যাডভারসিয়াল নেটওয়ার্কগুলি (জিএএনএস) এবং ভেরিয়েশনাল অটোনকোডারস (ভিএ) এর মতো গভীর জেনারেটরি মডেলগুলি লেবেলযুক্ত হাইপারস্পেকট্রাল ডেটা মডেলিংয়ের জন্য খুব আশাব্যঞ্জক দেখাচ্ছে। GANs এবং VAs বর্ণালীর জেনারেটরি বিতরণকে মডেলিং করে বর্ণালী পরিবর্তনশীলতার বৈশিষ্ট্য চিহ্নিত করতে পারে। এই জাতীয় উত্পাদক মডেলগুলি পরিবর্তে শ্রেণিবিন্যাস অ্যালগরিদমগুলিকে বর্ণালী পরিবর্তনশীলতায় অদৃশ্য করে তুলতে আগে হিসাবে ব্যবহার করা যেতে পারে। যদি এ জাতীয় জেনারেটাল মডেলগুলি পদার্থের শারীরিক / রাসায়নিক পরামিতিগুলির সেটগুলিতে শর্তযুক্ত হয় তবে এগুলি পদার্থবিজ্ঞান ভিত্তিক রেডিয়েটিভ ট্রান্সফার মডেলের পরিবর্তে ডেটা চালিত ফরোয়ার্ড মডেল হিসাবে ব্যবহৃত হতে পারে। এই মডেলগুলি অ-লিনিয়ার আনমিক্সিং এবং শারীরিক / রাসায়নিক পরামিতি অনুমানের ব্যবহার খুঁজে পেতে পারে। একইভাবে, উপাদান শ্রেণিতে কন্ডিশনারযুক্ত জেনারেটাল মডেলগুলি বর্ণালী গ্রন্থাগার হিসাবেও পরিবেশন করতে পারে। জ্যান এবং ভিএগুলি জমি কভারগুলির পূর্ববর্তী স্থানের মডেলও তৈরি করতে পারে (জিএনএস কীভাবে [201] এ ব্যবহৃত হয়েছিল তার সমান)। গভীর শিক্ষার উপর ভিত্তি করে স্থানিক পূর্বের জমি আচ্ছাদন শ্রেণিবিন্যাসের আগে ভিত্তিক মার্কভ এলোমেলো ক্ষেত্রগুলির চেয়ে ভাল হতে পারে। হাইপারস্পেকট্রাল ইমেজগুলির জন্য জিএএন এবং ভিএগুলি প্যানশার্পেনিং, সুপাররেসোলিউশন, ডিনাইজিং এবং ইনপেনটিংয়ের মতো চিত্র প্রক্রিয়াকরণের জন্যও ভাল প্রমাণিত হওয়া উচিত।

    5.4 Lack of standardized datasets and experiments

    হাইপারস্পেকট্রাল বিশ্লেষণের জন্য বেঞ্চমার্কিং ডেটাসেট এবং পরীক্ষাগুলির অভাব রয়েছে। বাস্তব-জগতের পরিস্থিতিগুলির অধীনে পদ্ধতিগুলি মূল্যায়নের জন্য একটি নির্ধারিত মানক পদ্ধতি ব্যতীত, গবেষক এবং অনুশীলনকারীরা তাদের সমস্যার জন্য সঠিক পদ্ধতি বাছাইয়ে শিক্ষিত পছন্দ করতে পারবেন না। যেহেতু, বিভিন্ন গবেষক বিভিন্ন পরীক্ষামূলক অবস্থার সাথে বিভিন্ন ডেটাसेट ব্যবহার করে আসছেন, তাই দুটি ভিন্ন কাগজে প্রস্তাবিত দুটি পদ্ধতির তুলনা করা কার্যত অসম্ভব। সর্বোপরি, অনেক সময় অধ্যয়ন পুনরুত্পাদন করা কঠিন কারণ পদ্ধতিগুলির বাস্তবায়ন সহজেই পাওয়া যায় না। এই কারণগুলি কাজ অনুসরণ এবং পদ্ধতিগুলি গ্রহণের সম্ভাবনাগুলিকে প্রশমিত করে। বিভিন্ন পদ্ধতির বেঞ্চমার্কিংয়ের জন্য একটি প্ল্যাটফর্ম সরবরাহ করার বর্তমান কয়েকটি প্রচেষ্টা হলেন আইইইই জিওসায়েন্স এবং রিমোট সেন্সিং সোসাইটির (আইইইই জিআরএসএস) ডেটা এবং অ্যালগরিদম স্ট্যান্ডার্ড মূল্যায়ন ওয়েবসাইট [৮৫], আইইইই জিআরএসএসের বার্ষিক ডেটা ফিউশন প্রতিযোগিতা [৮২, 194, 224, 297] , এবং রচেস্টার ইনস্টিটিউট অফ টেকনোলজির টার্গেট সনাক্তকরণ অন্ধ পরীক্ষার ওয়েবসাইট [ 277]।

    কয়েকটি উপলভ্য পাবলিক হাইপারস্পেকট্রাল ডেটাসেটগুলির মধ্যে বেশিরভাগ ল্যান্ড কভার শ্রেণিবিন্যাসের জন্য। এটি অন্য কোনও ডেটার চেয়ে ল্যান্ড কভার শ্রেণিবিন্যাসের জন্য আরও উন্নত পদ্ধতির অবদান রেখেছে বিশ্লেষণের কাজগুলি: লক্ষ্য / অমানবিক সনাক্তকরণ, আনমিক্সিং এবং শারীরিক / রাসায়নিক পরামিতি অনুমানের উপর কাজ করা গবেষকরা সাধারণত তাদের পদ্ধতিগুলি যাচাই করার জন্য সিমুলেটেড ডেটা [94, 150, 245] বা ব্যক্তিগত ডেটাসেটগুলি [168, 24, 154] ব্যবহার করেন, কারণ সেখানে কিছু জনসাধারণই রয়েছেন ডেটাসেট, যেমন Refs। [6, 249, 277], এই কাজের জন্য। বর্তমান স্থলভাগের শ্রেণিবদ্ধকরণ ডেটাসেটগুলিতে এমন চিত্র রয়েছে যা বাস্তব জীবনের চিত্রগুলির তুলনায় ছোট এবং ভেরিয়েবল এবং বৈচিত্র্যের অভাব রয়েছে। তাদের বেশিরভাগ একই সেন্সর দ্বারা বন্দী ছিল। এটি একটি প্রশ্ন উত্থাপন করে যে বর্তমান কয়েকটি পদ্ধতি, যা এই কয়েকটি এবং ছোট চিত্রগুলিতে দুর্দান্ত কাজ করে, বড় বড় বাস্তব-চিত্র চিত্রগুলিতে ভাল সম্পাদন করতে সাধারণীকরণ করবে কিনা। এই সমস্ত কারণে, নতুন পাবলিক ডেটাসেট তৈরি করা হাইপারস্পেকট্রাল রিমোট সেন্সিং সম্প্রদায়ের অন্যতম শীর্ষস্থানীয় হওয়া উচিত।

    6 Conclusion
    বছরের পর বছর ধরে, মেশিন লার্নিং হাইপারস্পেকট্রাল চিত্রগুলির বিশ্লেষণের প্রাথমিক সরঞ্জাম হয়ে উঠেছে। নতুন পদ্ধতির সাথে সাহিত্যের উত্সাহিত হওয়ার সাথে সাথে কোনও সমস্যার জন্য সঠিক পদ্ধতি নির্বাচন করা একটি কঠিন কাজ হয়ে উঠতে পারে। এই কাগজটি প্রকাশিত পদ্ধতির ক্যাটালগ তৈরি করে এই সমস্যাটিকে সম্বোধন করেছে। আমরা টেবিল 2-এ আলোচিত সমস্ত পদ্ধতির সংক্ষিপ্তসার করেছি। হাইপারস্পেকট্রাল ডেটা বিশ্লেষণের বর্তমান আলোচ্য বিষয় গভীর শিক্ষণ deep গবেষকরা স্থলভাগের আচ্ছাদন শ্রেণিবিন্যাসের জন্য অত্যাধুনিক শিল্প হতে গভীর শিক্ষণীয়তা প্রদর্শন করেছেন [338]। হাইপারস্পেকট্রাল ডেটাসেটগুলি অল্প পরিমাণে গ্রাউন্ড ট্রুথ ডেটা রাখার জন্য কুখ্যাত, যখন গভীর শেখার পদ্ধতিগুলি কুখ্যাত গ্রাউন্ড ট্রুথ ডেটা প্রচুর পরিমাণে প্রয়োজনের জন্য।
    বর্তমান পদ্ধতিগুলি নেটওয়ার্ককে লেবেলযুক্ত পিক্সেল বা একটি চিত্রের ছোট প্যাচগুলিতে প্রশিক্ষণ দিয়ে এবং পৃথক চিত্রের প্রশিক্ষণ ও পরীক্ষার পরিবর্তে একই চিত্রের অবশিষ্ট লেবেলযুক্ত পিক্সেলের উপর পরীক্ষা করে এই সমস্যাটি ঘটাতে পারে। অতিরিক্ত সংযোজন প্রতিরোধের জন্য তারা অতিরিক্ত নিয়মিতকরণ স্কিমগুলি যেমন ডেটা বৃদ্ধি এবং প্রারম্ভিক স্টপিং নিয়োগ করে। যেহেতু, বর্তমান মডেলগুলি একটি একক চিত্র থেকে বর্ণালী সমন্বিত প্রশিক্ষণ সেটগুলিতে শিখেছে, যা সাধারণত ছোট, এই মডেলগুলি আলোকসজ্জা, বায়ুমণ্ডলীয় পরিস্থিতি, সূর্যের কোণ, জ্যামিতি দেখার মতো কারণগুলির মধ্যে পার্থক্যের কারণে ঘটে বর্ণালী পরিবর্তনশীলতাগুলি ধারণ করতে পারে না , এবং রেজোলিউশন। প্রশিক্ষণের জন্য বিভিন্ন দৃশ্যের আওতায় লেবেলযুক্ত চিত্র সহ যদি বড় আকারের ডেটাসেট থাকে, এটি অত্যন্ত সম্ভবত যে ， নেটওয়ার্কগুলি বর্ণের পরিবর্তনশীলতাগুলি ডেটাটির প্রতিরোধী প্রতিনিধিত্ব শিখতে সক্ষম করবে এবং অদেখা নতুন চিত্রগুলিতে পরীক্ষিত হলে ভাল সম্পাদন করবে। এটি জমি কভার শ্রেণিবিন্যাসের জন্য বৃহত আকারের ডেটাসেটের জরুরি প্রয়োজন রয়েছে তা এই সত্যটি তুলে ধরে। কম্পিউটার ডেভিশন এবং গভীর শিক্ষার বৃদ্ধির জন্য ইমেজনেট [ 87] এর বিকাশ যেমন হাইপারস্পেকট্রাল চিত্র বিশ্লেষণের ক্ষেত্রে এই জাতীয় ডেটাসেটগুলির প্রভাবকে তত শক্তিশালী হতে পারে।




    References [1] ISPRS benchmarks. http://www.isprs.org/education/benchmarks.aspx.


    [2] National ecological observatory network. http://data.neonscience.org. National Ecological Observatory Network, Battelle, Boulder, CO, USA. [3] ROSIS University of Pavia image. Obtained from GRSS DASE Website (http://dase. ticinumaerospace.com/). Accessed: 06-20-2018. [4] Web of Science. https://clarivate.com/products/web-of-science/. Accessed: 06-28-2018. [5] Elfatih M. Abdel-Rahman, Fethi B. Ahmed, and Riyad Ismail. Random forest regression and spectral band selection for estimating sugarcane leaf nitrogen concentration using EO-1 Hyperion hyperspectral data. International Journal of Remote Sensing, 34(2):712–728, 2013. [6] J.D. ABER and M.E. MARTIN. Leaf chemistry, 1992-1993 (accp), 1999. [7] Elhadi Adam, Onisimo Mutanga, Elfatih M. Abdel-Rahman, and Riyad Ismail. Estimating standing biomass in papyrus (Cyperus papyrus L.) swamp: exploratory of in situ hyperspectral indices and random forest regression. International Journal of Remote Sensing, 35(2):693–714, 2014. [8] Amir H. Alavi, Amir H. Gandomi, and David J. Lary. Progress of machine learning in geosciences: Preface. Geoscience Frontiers, 7(1):1 – 2, 2016. Special Issue: Progress of Machine Learning in Geosciences. [9] Y. Altmann, N. Dobigeon, S. McLaughlin, and J.-Y. Tourneret. Nonlinear spectral unmixing of hyperspectral images using Gaussian processes. IEEE Transactions on Signal Processing, 61(10):2442–2453, May 2013. [10] Y. Altmann, N. Dobigeon, and J.-Y. Tourneret. Unsupervised post-nonlinear unmixing of hyperspectral images using a hamiltonian monte carlo algorithm. IEEE Transactions on Image Processing, 23(6):2663–2675, June 2014. [11] Y. Altmann, A. Halimi, N. Dobigeon, and J.-Y. Tourneret. Supervised nonlinear spectral unmixing using a postnonlinear mixing model for hyperspectral imagery. IEEE Transactions on Image Processing, 21(6):3017–3025, June 2012. [12] Y. Altmann, M. Pereyra, and S. McLaughlin. Bayesian nonlinear hyperspectral unmixing with spatial residual component analysis. IEEE Transactions on Computational Imaging, 1(3):174–185, Sept 2015. [13] Yoann Altmann, Nicolas Dobigeon, Steve McLaughlin, and Jean-Yves Tourneret. Residual component analysis of hyperspectral imagesapplication to joint nonlinear unmixing and nonlinearity detection. IEEE Transactions on Image Processing, 23(5):2148–2158, 2014. [14] Christophe Andrieu, Nando De Freitas, Arnaud Doucet, and Michael I Jordan. An introduction to MCMC for machine learning. Machine learning, 50(1-2):5–43, 2003. [15] Naveen J.P. Anne, Amr H. Abd-Elrahman, David B. Lewis, and Nicole A. Hewitt. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 33:47 – 56, 2014. [16] E. Aptoula, M. C. Ozdemir, and B. Yanikoglu. Deep learning with attribute profiles for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 13(12):1970–1974, Dec 2016. [17] David Arthur and Sergei Vassilvitskii. k-means++: The advantages of careful seeding. In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, pages 1027–1035. Society for Industrial and Applied Mathematics, 2007. [18] Gregory P Asner. Biophysical and biochemical sources of variability in canopy reflectance. Remote sensing of Environment, 64(3):234–253, 1998. [19] Peter Bajcsy and Peter Groves. Methodology for hyperspectral band selection. Photogrammetric Engineering & Remote Sensing, 70(7):793–802, 2004. [20] Claire A Baldeck and Gregory P Asner. Estimating vegetation beta diversity from airborne imaging 

    spectroscopy and unsupervised clustering. Remote Sensing, 5(5):2057–2071, 2013. 26 [21] AM Baldridge, SJ Hook, CI Grove, and G Rivera. The ASTER spectral library version 2.0. Remote Sensing of Environment, 113(4):711–715, 2009. [22] Geoffrey H Ball and David J Hall. ISODATA, a novel method of data analysis and pattern classification. Technical report, DTIC Document, 1965. [23] T.V. Bandos, L. Bruzzone, and G. Camps-Valls. Classification of hyperspectral images with regularized linear discriminant analysis. IEEE Transactions on Geoscience and Remote Sensing, 47(3):862–873, March 2009. [24] A. Banerjee, P. Burlina, and C. Diehl. A support vector method for anomaly detection in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 44(8):2282–2291, Aug 2006. [25] Y. Bazi and F. Melgani. Toward an optimal SVM classification system for hyperspectral remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 44(11):3374–3385, Nov 2006. [26] Y. Bazi and F. Melgani. Semisupervised PSO-SVM regression for biophysical parameter estimation. IEEE Transactions on Geoscience and Remote Sensing, 45(6):1887–1895, June 2007. [27] Y. Bazi and F. Melgani. Gaussian process approach to remote sensing image classification. IEEE Transactions on Geoscience and Remote Sensing, 48(1):186–197, 2010. [28] Mariana Belgiu and Lucian Dr˘agut¸. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114:24–31, 2016. [29] J.A. Benediktsson, J.A. Palmason, and J.R. Sveinsson. Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 43(3):480–491, March 2005. [30] Yoshua Bengio, Aaron Courville, and Pierre Vincent. Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8):1798–1828, 2013. [31] Alexander Berk, Lawrence S Bernstein, and David C Robertson. MODTRAN: A moderate resolution model for LOWTRAN. Technical report, DTIC Document, 1987. [32] Jeff A Bilmes et al. A gentle tutorial of the EM algorithm and its application to parameter estimation for Gaussian mixture and hidden Markov models. International Computer Science Institute, 4(510):126, 1998. [33] Jos´e M Bioucas-Dias, Antonio Plaza, Nicolas Dobigeon, Mario Parente, Qian Du, Paul Gader, and Jocelyn Chanussot. Hyperspectral unmixing overview: Geometrical, statistical, and sparse regression-based approaches. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(2):354–379, 2012. [34] Christopher M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA, 2006. [35] Andrew Blake, Pushmeet Kohli, and Carsten Rother. Markov random fields for vision and image processing. MIT Press, 2011. [36] J.S. Borges, J.M. Bioucas-Dias, and A.R.S. Marcal. Bayesian hyperspectral image segmentation with discriminative class learning. IEEE Transactions on Geoscience and Remote Sensing, 49(6):2151–2164, June 2011. [37] A.C. Braun, U. Weidner, and S. Hinz. Classification in high-dimensional feature spaces - assessment using SVM, IVM and RVM with focus on simulated EnMAP data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(2):436–443, April 2012. [38] L. Bruzzone and F. Melgani. Robust multiple estimator systems for the analysis of biophysical parameters from remotely sensed data. IEEE Transactions on Geoscience and Remote Sensing, 43(1):159–174, Jan 2005.

    [39] G. Camps-Valls. Machine learning in remote sensing data processing. In International Workshop on Machine Learning for Signal Processing (MLSP), pages 1–6. IEEE, Sept 2009. [40] G. Camps-Valls, J. Bioucas-Dias, and M. Crawford. A special issue on advances in machine learning for remote sensing and geosciences. IEEE Geoscience and Remote Sensing Magazine, 4(2):5–7, 2016. [41] G. Camps-Valls, L. Bruzzone, J.L. Rojo-Alvarez, and F. Melgani. Robust support vector regression for biophysical variable estimation from remotely sensed images. IEEE Geoscience and Remote Sensing Letters, 3(3):339–343, July 2006. [42] G. Camps-Valls, J. Munoz-Mari, L. Gomez-Chova, K. Richter, and J. Calpe-Maravilla. Biophysical parameter estimation with a semisupervised support vector machine. IEEE Geoscience and Remote Sensing Letters, 6(2):248–252, April 2009. [43] G. Camps-Valls, D. Tuia, L. Bruzzone, and J. A. Benediktsson. Advances in hyperspectral image classification: Earth monitoring with statistical learning methods. IEEE Signal Processing Magazine, 31(1):45–54, Jan 2014. [44] G. Camps-Valls, J. Verrelst, J. Munoz-Mari, V. Laparra, F. Mateo-Jimenez, and J. Gomez-Dans. A survey on Gaussian processes for earth-observation data analysis: A comprehensive investigation. IEEE Geoscience and Remote Sensing Magazine, 4(2):58–78, June 2016. [45] Gustavo Camps-Valls, Luis Gomez-Chova, Jordi Mu˜noz-Mar´ı, Joan Vila-Franc´es, and Javier CalpeMaravilla. Composite kernels for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 3(1):93–97, 2006. [46] Gustavo Camps-Valls, Tatyana V Bandos Marsheva, and Dengyong Zhou. Semi-supervised graphbased hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 45(10):3044–3054, 2007. [47] Luis M. Carrascal, Ismael Galvn, and Oscar Gordo. Partial least squares regression as an alternative to current regression methods used in ecology. Oikos, 118(5):681–690, 2009. [48] A. Castrodad, Zhengming Xing, J.B. Greer, E. Bosch, L. Carin, and G. Sapiro. Learning discriminative sparse representations for modeling, source separation, and mapping of hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 49(11):4263–4281, Nov 2011. [49] Rosa Maria Cavalli, Lorenzo Fusilli, Simone Pascucci, Stefano Pignatti, and Federico Santini. Hyperspectral sensor data capability for retrieving complex urban land cover in comparison with multispectral data: Venice city case study (italy). Sensors, 8(5):3299–3320, 2008. [50] Chein-I Chang. Hyperspectral data processing: algorithm design and analysis. John Wiley & Sons, 2013. [51] Chein-I Chang. A review of virtual dimensionality for hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018. [52] Chein-I Chang and Shao-Shan Chiang. Anomaly detection and classification for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 40(6):1314–1325, 2002. [53] Chein-I Chang and Antonio Plaza. A fast iterative algorithm for implementation of pixel purity index. IEEE Geoscience and Remote Sensing Letters, 3(1):63–67, 2006. [54] A.S. Charles, B.A. Olshausen, and C.J. Rozell. Learning sparse codes for hyperspectral imagery. IEEE Journal of Selected Topics in Signal Processing, 5(5):963–978, Sept 2011. [55] Alex Chen. The inpainting of hyperspectral images: a survey and adaptation to hyperspectral data. In Image and Signal Processing for Remote Sensing XVIII, volume 8537, page 85371K. International Society for Optics and Photonics, 2012. [56] Yi Chen, N.M. Nasrabadi, and T.D. Tran. Hyperspectral image classification using dictionary-based sparse representation. IEEE Transactions on Geoscience and Remote Sensing, 49(10):3973–3985, Oct 2011. 28 [57] Yi Chen, N.M. Nasrabadi, and T.D. Tran. Sparse representation for target detection in hyperspectral imagery. IEEE Journal of Selected Topics in Signal Processing, 5(3):629–640, June 2011. [58] Yi Chen, N.M. Nasrabadi, and T.D. Tran. Hyperspectral image classification via kernel sparse representation. IEEE Transactions on Geoscience and Remote Sensing, 51(1):217–231, Jan 2013. [59] Yushi Chen, Hanlu Jiang, Chunyang Li, Xiuping Jia, and Pedram Ghamisi. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing, 54(10):6232–6251, 2016. [60] Yushi Chen, Zhouhan Lin, Xing Zhao, Gang Wang, and Yanfeng Gu. Deep learning-based classification of hyperspectral data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):2094–2107, June 2014. [61] Yushi Chen, Xing Zhao, and Xiuping Jia. Spectral-spatial classification of hyperspectral data based on deep belief network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2381–2392, June 2015. [62] Yushi Chen, Xing Zhao, and Zhouhan Lin. Optimizing subspace SVM ensemble for hyperspectral imagery classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4):1295–1305, April 2014. [63] Gong Cheng and Junwei Han. A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117:11–28, 2016. [64] Qi Cheng, P.K. Varshney, and M.K. Arora. Logistic regression for feature selection and soft classification of remote sensing data. IEEE Geoscience and Remote Sensing Letters, 3(4):491–494, Oct 2006. [65] Yizong Cheng. Mean shift, mode seeking, and clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 17(8):790–799, 1995. [66] M. Chi, A. J. Plaza, J. A. Benediktsson, B. Zhang, and B. Huang. Foreword to the special issue on big data in remote sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(10):4607–4609, Oct 2015. [67] Mingmin Chi and L. Bruzzone. Semisupervised classification of hyperspectral images by SVMs optimized in the primal. IEEE Transactions on Geoscience and Remote Sensing, 45(6):1870–1880, June 2007. [68] Mingmin Chi, Qian Kun, J.A. Benediktsson, and Rui Feng. Ensemble classification algorithm for hyperspectral remote sensing data. IEEE Geoscience and Remote Sensing Letters, 6(4):762–766, Oct 2009. [69] Kyunghyun Cho, Bart Van Merri¨enboer, Dzmitry Bahdanau, and Yoshua Bengio. On the properties of neural machine translation: Encoder-decoder approaches. arXiv preprint arXiv:1409.1259, 2014. [70] Moses Azong Cho, Andrew Skidmore, Fabio Corsi, Sipke E. van Wieren, and Istiak Sobhan. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observation and Geoinformation, 9(4):414 – 424, 2007. [71] Moses Azong Cho, Andrew Skidmore, Fabio Corsi, Sipke E. van Wieren, and Istiak Sobhan. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observation and Geoinformation, 9(4):414 – 424, 2007. [72] Emmanuel Christophe. Hyperspectral data compression tradeoff. In Optical Remote Sensing, pages 9–29. Springer, 2011.

    [73] Roger N Clark, Gregg A Swayze, K Eric Livo, Raymond F Kokaly, Steve J Sutley, J Brad Dalton, Robert R McDougal, and Carol A Gent. Imaging spectroscopy: Earth and planetary remote sensing with the USGS Tetracorder and expert systems. Journal of Geophysical Research: Planets, 108(E12), 2003. 29 [74] MA Cochrane. Using vegetation reflectance variability for species level classification of hyperspectral data. International Journal of Remote Sensing, 21(10):2075–2087, 2000. [75] Wenyuan Dai, Qiang Yang, Gui-Rong Xue, and Yong Yu. Boosting for transfer learning. In International conference on Machine learning (ICML), pages 193–200. ACM, 2007. [76] Laura M Dale, Andr´e Thewis, Christelle Boudry, Ioan Rotar, Pierre Dardenne, Vincent Baeten, and Juan A Fern´andez Pierna. Hyperspectral imaging applications in agriculture and agro-food product quality and safety control: A review. Applied Spectroscopy Reviews, 48(2):142–159, 2013. [77] Mauro Dalla Mura, Alberto Villa, Jon Atli Benediktsson, Jocelyn Chanussot, and Lorenzo Bruzzone. Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis. IEEE Geoscience and Remote Sensing Letters, 8(3):542– 546, 2011. [78] M. Dalponte, H.O. Orka, T. Gobakken, D. Gianelle, and E. Naesset. Tree species classification in boreal forests with hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 51(5):2632–2645, May 2013. [79] B.B. Damodaran, R.R. Nidamanuri, and Y. Tarabalka. Dynamic ensemble selection approach for hyperspectral image classification with joint spectral and spatial information. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2405–2417, June 2015. [80] Roshanak Darvishzadeh, Clement Atzberger, Andrew Skidmore, and Martin Schlerf. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models. ISPRS Journal of Photogrammetry and Remote Sensing, 66(6):894–906, 2011. [81] R De Bei, D Cozzolino, W Sullivan, W Cynkar, S Fuentes, R Dambergs, J Pech, and S Tyerman. Non-destructive measurement of grapevine water potential using near infrared spectroscopy. Australian Journal of Grape and Wine Research, 17(1):62–71, 2011. [82] Christian Debes, Andreas Merentitis, Roel Heremans, J¨urgen Hahn, Nikolaos Frangiadakis, Tim van Kasteren, Wenzhi Liao, Rik Bellens, Aleksandra Piˇzurica, Sidharta Gautama, et al. Hyperspectral and LiDAR data fusion: Outcome of the 2013 GRSS data fusion contest. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):2405–2418, 2014. [83] Sahar Dehnavi, Yasser Maghsoudi, and Mohammadjavad Valadanzoej. Using spectrum differentiation and combination for target detection of minerals. International Journal of Applied Earth Observation and Geoinformation, 55:9 – 20, 2017. [84] F. Dell’Acqua, P. Gamba, A. Ferrari, J.A. Palmason, J.A. Benediktsson, and K. Arnason. Exploiting spectral and spatial information in hyperspectral urban data with high resolution. IEEE Geoscience and Remote Sensing Letters, 1(4):322–326, Oct 2004. [85] Fabio Dell’Acqua, Gianni Cristian Iannelli, John Kerekes, Gabriele Moser, Leland Pierce, and Emanuele Goldoni. The ieee grss data and algorithm standard evaluation (dase) website: Incrementally building a standardized assessment for algorithm performance. In International Geoscience and Remote Sensing Symposium (IGARSS), pages 2601–2608. IEEE, 2017. [86] B. Demir and S. Erturk. Hyperspectral image classification using relevance vector machines. IEEE Geoscience and Remote Sensing Letters, 4(4):586–590, Oct 2007. [87] Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, and Li Fei-Fei. Imagenet: A large-scale hierarchical image database. In Conference on Computer Vision and Pattern Recognition (CVPR), pages 248–255. IEEE, 2009. [88] N. Dobigeon, S. Moussaoui, M. Coulon, J.-Y. Tourneret, and A.O. Hero. Joint Bayesian endmember extraction and linear unmixing f

    [89] N. Dobigeon, J.-Y. Tourneret, and Chein-I Chang. Semi-supervised linear spectral unmixing using a hierarchical Bayesian model for hyperspectral imagery. IEEE Transactions on Signal Processing, 56(7):2684–2695, July 2008. 30 [90] I. Dopido, Jun Li, P. Gamba, and A. Plaza. A new hybrid strategy combining semisupervised classification and unmixing of hyperspectral data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(8):3619–3629, Aug 2014. [91] Peijun Du, Zhaohui Xue, Jun Li, and A. Plaza. Learning discriminative sparse representations for hyperspectral image classification. IEEE Journal of Selected Topics in Signal Processing, 9(6):1089– 1104, Sept 2015. [92] Qian Du, Ivica Kopriva, and Harold Szu. Independent-component analysis for hyperspectral remote sensing imagery classification. Optical Engineering, 45(1):017008–017008, 2006. [93] M Murat Dundar and David Landgrebe. A model-based mixture-supervised classification approach in hyperspectral data analysis. IEEE Transactions on Geoscience and Remote Sensing, 40(12):2692–2699, 2002. [94] O. Duran and M. Petrou. A time-efficient method for anomaly detection in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 45(12):3894–3904, Dec 2007. [95] O. Eches, N. Dobigeon, C. Mailhes, and J.-Y. Tourneret. Bayesian estimation of linear mixtures using the normal compositional model. application to hyperspectral imagery. IEEE Transactions on Image Processing, 19(6):1403–1413, June 2010. [96] Olivier Eches, Jon Atli Benediktsson, Nicolas Dobigeon, and Jean-Yves Tourneret. Adaptive Markov random fields for joint unmixing and segmentation of hyperspectral images. IEEE Transactions on Image Processing, 22(1):5–16, 2013. [97] Olivier Eches, Nicolas Dobigeon, and Jean-Yves Tourneret. Enhancing hyperspectral image unmixing with spatial correlations. IEEE Transactions on Geoscience and Remote Sensing, 49(11):4239– 4247, 2011. [98] Michael Theodore Eismann. Hyperspectral remote sensing. SPIE Press Bellingham, 2012. [99] A. Elshamli, G. W. Taylor, A. Berg, and S. Areibi. Domain adaptation using representation learning for the classification of remote sensing images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(9):4198–4209, Sept 2017. [100] J. Fan, T. Chen, and S. Lu. Superpixel guided deep-sparse-representation learning for hyperspectral image classification. IEEE Transactions on Circuits and Systems for Video Technology, PP(99):1–1, 2017. [101] Leyuan Fang, Shutao Li, Wuhui Duan, Jinchang Ren, and J´on Atli Benediktsson. Classification of hyperspectral images by exploiting spectral–spatial information of superpixel via multiple kernels. IEEE Transactions on Geoscience and Remote Sensing, 53(12):6663–6674, 2015. [102] Michael D Farrell and Russell M Mersereau. On the impact of PCA dimension reduction for hyperspectral detection of difficult targets. IEEE Geoscience and Remote Sensing Letters, 2(2):192– 195, 2005. [103] M. Fauvel, J.A. Benediktsson, J. Chanussot, and J.R. Sveinsson. Spectral and spatial classification of hyperspectral data using svms and morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 46(11):3804–3814, Nov 2008. [104] M. Fauvel, C. Bouveyron, and S. Girard. Parsimonious Gaussian process models for the classification of hyperspectral remote sensing images. IEEE Geoscience and Remote Sensing Letters, 12(12):2423–2427, Dec 2015. [105] Mathieu Fauvel, Jocelyn Chanussot, and Jon Atli Benediktsson. Evaluation of kernels for multiclass classification of hyperspectral remote sensing data. In International Conference on Acoustics, Speech and Signal Processing (ICASSP), volume 2, pages II–II. IEEE, 2006. [106] Mathieu Fauvel, Jocelyn Chanussot, and J´on Atli Benediktsson. Kernel principal component analysis for the classification of hyperspectral remote sensing data over urban areas. EURASIP J. Adv. Signal Process, 2009:11:1–11:14, January 2009.

    [107] Mathieu Fauvel, Yuliya Tarabalka, Jon Atli Benediktsson, Jocelyn Chanussot, and James C Tilton. Advances in spectral-spatial classification of hyperspectral images. Proceedings of the IEEE, 101(3):652–675, 2013. [108] Jean-Baptiste Feret, Christophe Fran¸cois, Gregory P Asner, Anatoly A Gitelson, Roberta E Martin, Luc PR Bidel, Susan L Ustin, Guerric Le Maire, and St´ephane Jacquemoud. PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments. Remote sensing of environment, 112(6):3030–3043, 2008. [109] Yoav Freund and Robert E Schapire. A desicion-theoretic generalization of on-line learning and an application to boosting. In European conference on computational learning theory, pages 23–37. Springer, 1995. [110] Brendan J. Frey and Delbert Dueck. Clustering by passing messages between data points. Science, 315:972–976, 2007. [111] LS Galvao, FJ Ponzoni, JCN Epiphanio, BFT Rudorff, and AR Formaggio. Sun and view angle effects on ndvi determination of land cover types in the brazilian amazon region with hyperspectral data. International Journal of Remote Sensing, 25(10):1861–1879, 2004. [112] Yaroslav Ganin, Evgeniya Ustinova, Hana Ajakan, Pascal Germain, Hugo Larochelle, Fran¸cois Laviolette, Mario Marchand, and Victor Lempitsky. Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59):1–35, 2016. [113] Bo-Cai Gao, Marcos J. Montes, Curtiss O. Davis, and Alexander F.H. Goetz. Atmospheric correction algorithms for hyperspectral remote sensing data of land and ocean. Remote Sensing of Environment, 113, Supplement 1:S17 – S24, 2009. Imaging Spectroscopy Special Issue. [114] Xiang Gao, Alfredo R Huete, Wenge Ni, and Tomoaki Miura. Optical–biophysical relationships of vegetation spectra without background contamination. Remote Sensing of Environment, 74(3):609– 620, 2000. [115] Utsav B Gewali and Sildomar T Monteiro. A novel covariance function for predicting vegetation biochemistry from hyperspectral imagery with gaussian processes. In International Conference on Image Processing (ICIP), pages 2216–2220. IEEE, 2016. [116] Utsav B Gewali and Sildomar T Monteiro. A tutorial on modelling and inference in undirected graphical models for hyperspectral image analysis. International Journal of Remote Sensing, pages 1–40, 2018. [117] P. Ghamisi, Y. Chen, and X. X. Zhu. A self-improving convolution neural network for the classification of hyperspectral data. IEEE Geoscience and Remote Sensing Letters, 13(10):1537–1541, Oct 2016. [118] Azadeh Ghiyamat and Helmi ZM Shafri. A review on hyperspectral remote sensing for homogeneous and heterogeneous forest biodiversity assessment. International Journal of Remote Sensing, 31(7):1837–1856, 2010. [119] Habes A. Ghrefat, Philip C. Goodell, Bernard E. Hubbard, Richard P. Langford, and Raed E. Aldouri. Modeling grain size variations of aeolian gypsum deposits at White Sands, New Mexico, using AVIRIS imagery. Geomorphology, 88(12):57 – 68, 2007. [120] M. Golipour, H. Ghassemian, and F. Mirzapour. Integrating hierarchical segmentation maps with MRF prior for classification of hyperspectral images in a Bayesian framework. IEEE Transactions on Geoscience and Remote Sensing, PP(99):1–12, 2015. [121] Ccile Gomez, Raphael A. Viscarra Rossel, and Alex B. McBratney. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: An Australian case study. Geoderma, 146(34):403 – 411, 2008. [122] Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT Press, 2016. http: //www.deeplearningbook.org. 

    [123] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, and Yoshua Bengio. Generative adversarial nets. In Advances in neural information processing systems (NIPS), pages 2672–2680, 2014. [124] Alex Graves and Jrgen Schmidhuber. Framewise phoneme classification with bidirectional lstm and other neural network architectures. Neural Networks, 18(5):602 – 610, 2005. IJCNN 2005. [125] J.B. Greer. Sparse demixing of hyperspectral images. IEEE Transactions on Image Processing, 21(1):219–228, Jan 2012. [126] Yanfeng Gu and Huan Liu. Sample-screening MKL method via boosting strategy for hyperspectral image classification. Neurocomputing, 173, Part 3:1630 – 1639, 2016. [127] Yanfeng Gu, Tianzhu Liu, Xiuping Jia, J´on Atli Benediktsson, and Jocelyn Chanussot. Nonlinear multiple kernel learning with multiple-structure-element extended morphological profiles for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(6):3235–3247, 2016. [128] Yanfeng Gu, Chen Wang, Di You, Yuhang Zhang, Shizhe Wang, and Ye Zhang. Representative multiple kernel learning for classification in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 50(7):2852–2865, 2012. [129] Yanfeng Gu, Shizhe Wang, and Xiuping Jia. Spectral unmixing in multiple-kernel Hilbert space for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 51(7):3968–3981, July 2013. [130] P. Gurram and Heesung Kwon. Support-vector-based hyperspectral anomaly detection using optimized kernel parameters. IEEE Geoscience and Remote Sensing Letters, 8(6):1060–1064, Nov 2011. [131] P. Gurram and Heesung Kwon. Sparse kernel-based ensemble learning with fully optimized kernel parameters for hyperspectral classification problems. IEEE Transactions on Geoscience and Remote Sensing, 51(2):787–802, Feb 2013. [132] A. Halimi, Y. Altmann, N. Dobigeon, and J.-Y. Tourneret. Nonlinear unmixing of hyperspectral images using a generalized bilinear model. IEEE Transactions on Geoscience and Remote Sensing, 49(11):4153–4162, Nov 2011. [133] Jisoo Ham, Yangchi Chen, M.M. Crawford, and J. Ghosh. Investigation of the random forest framework for classification of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 43(3):492–501, March 2005. [134] P.M. Hansen and J.K. Schjoerring. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 86(4):542 – 553, 2003. [135] M. Hasanlou and F. Samadzadegan. Comparative study of intrinsic dimensionality estimation and dimension reduction techniques on hyperspectral images using K-NN classifier. IEEE Geoscience and Remote Sensing Letters, 9(6):1046–1050, Nov 2012. [136] Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Overview of supervised learning. In The elements of statistical learning, pages 9–39. Springer, 2009. [137] Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Unsupervised learning. In The elements of statistical learning, pages 485–585. Springer, 2009. [138] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition. In Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778. IEEE, 2016. [139] Zhi He, Han Liu, Yiwen Wang, and Jie Hu. Generative adversarial networks-based semi-supervised learning for hyperspectral image classification. Remote Sensing, 9(10), 2017. 

     [140] D.C. Heinz and Chein-I Chang. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 39(3):529–545, Mar 2001. [141] R. Heylen, M. Parente, and P. Gader. A review of nonlinear hyperspectral unmixing methods. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):1844– 1868, June 2014. [142] R. Heylen, P. Scheunders, A. Rangarajan, and P. Gader. Nonlinear unmixing by using different metrics in a linear unmixing chain. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2655–2664, June 2015. [143] Wei Hu, Yangyu Huang, Li Wei, Fan Zhang, and Hengchao Li. Deep convolutional neural networks for hyperspectral image classification. Journal of Sensors, 501:258619, 2015. [144] C Huang, LS Davis, and JRG Townshend. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4):725–749, 2002. [145] Guang-Bin Huang, Dian Hui Wang, and Yuan Lan. Extreme learning machines: a survey. International Journal of Machine Learning and Cybernetics, 2(2):107–122, 2011. [146] Xin Huang, Xuehua Guan, J.A. Benediktsson, Liangpei Zhang, Jun Li, A. Plaza, and M. Dalla Mura. Multiple morphological profiles from multicomponent-base images for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(12):4653–4669, Dec 2014. [147] Xin Huang and Liangpei Zhang. An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 46(12):4173–4185, 2008. [148] Masroor Hussain, Dongmei Chen, Angela Cheng, Hui Wei, and David Stanley. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80:91–106, 2013. [149] Aapo Hyv¨arinen, Juha Karhunen, and Erkki Oja. Independent component analysis, volume 46. John Wiley & Sons, 2004. [150] M.-D. Iordache, J.M. Bioucas-Dias, and A. Plaza. Sparse unmixing of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 49(6):2014–2039, June 2011. [151] M.-D. Iordache, J.M. Bioucas-Dias, and A. Plaza. Total variation spatial regularization for sparse hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 50(11):4484–4502, Nov 2012. [152] M.-D. Iordache, J.M. Bioucas-Dias, and A. Plaza. Collaborative sparse regression for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 52(1):341–354, Jan 2014. [153] M.-D. Iordache, J.M. Bioucas-Dias, A. Plaza, and B. Somers. MUSIC-CSR: Hyperspectral unmixing via multiple signal classification and collaborative sparse regression. IEEE Transactions on Geoscience and Remote Sensing, 52(7):4364–4382, July 2014. [154] Riyad Ismail and Onisimo Mutanga. A comparison of regression tree ensembles: Predicting Sirex noctilio induced water stress in pinus patula forests of KwaZulu-Natal, South Africa. International Journal of Applied Earth Observation and Geoinformation, 12:S45–S51, 2010. [155] Qiong Jackson and David A Landgrebe. Adaptive bayesian contextual classification based on Markov random fields. IEEE Transactions on Geoscience and Remote Sensing, 40(11):2454–2463, 2002. [156] Anil K Jain. Data clustering: 50 years beyond k-means. Pattern recognition letters, 31(8):651–666, 2010. [157] Sen Jia, Zhen Ji, Yuntao Qian, and Linlin Shen. Unsupervised band selection for hyperspectral imagery classification without manual band removal. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(2):531–543, 2012.


    [158] L. Jiao, M. Liang, H. Chen, S. Yang, H. Liu, and X. Cao. Deep fully convolutional networkbased spatial distribution prediction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 55(10):5585–5599, Oct 2017. [159] Ian Jolliffe. Principal Component Analysis. John Wiley & Sons, Ltd, 2014. [160] G. Jun and J. Ghosh. Spatially adaptive classification of land cover with remote sensing data. IEEE Transactions on Geoscience and Remote Sensing, 49(7):2662–2673, 2011. [161] Goo Jun and J. Ghosh. Semisupervised learning of hyperspectral data with unknown land-cover classes. IEEE Transactions on Geoscience and Remote Sensing, 51(1):273–282, Jan 2013. [162] S. Kawaguchi and R. Nishii. Hyperspectral image classification by bootstrap adaboost with random decision stumps. IEEE Transactions on Geoscience and Remote Sensing, 45(11):3845–3851, Nov 2007. [163] R. Kemker and C. Kanan. Self-taught feature learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 55(5):2693–2705, May 2017. [164] S. Khazai, S. Homayouni, A. Safari, and B. Mojaradi. Anomaly detection in hyperspectral images based on an adaptive support vector method. IEEE Geoscience and Remote Sensing Letters, 8(4):646–650, July 2011. [165] M. Khodadadzadeh, Jun Li, A. Plaza, and J.M. Bioucas-Dias. A subspace-based multinomial logistic regression for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 11(12):2105–2109, Dec 2014. [166] Jihan Khodr and Rafic Younes. Dimensionality reduction on hyperspectral images: a comparative review based on artificial datas. In International Congress on Image and Signal Processing (CISP), volume 4, pages 1875–1883. IEEE, 2011. [167] Pushmeet Kohli, Philip HS Torr, et al. Robust higher order potentials for enforcing label consistency. International Journal of Computer Vision, 82(3):302–324, 2009. [168] Raymond F Kokaly, Gregory P Asner, Scott V Ollinger, Mary E Martin, and Carol A Wessman. Characterizing canopy biochemistry from imaging spectroscopy and its application to ecosystem studies. Remote Sensing of Environment, 113:S78–S91, 2009. [169] Raymond F. Kokaly and Roger N. Clark. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 67(3):267 – 287, 1999. [170] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (NIPS), pages 1097–1105, 2012. [171] David Landgrebe. Hyperspectral image data analysis. IEEE Signal Processing Magazine, 19(1):17– 28, 2002. [172] David J. Lary, Amir H. Alavi, Amir H. Gandomi, and Annette L. Walker. Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1):3 – 10, 2016. Special Issue: Progress of Machine Learning in Geosciences. [173] Neil D Lawrence. Gaussian process latent variable models for visualisation of high dimensional data. Advances in neural information processing systems (NIPS), 16(3):329–336, 2004. [174] M. Lazaro-Gredilla, M.K. Titsias, J. Verrelst, and G. Camps-Valls. Retrieval of biophysical parameters with heteroscedastic Gaussian processes. IEEE Geoscience and Remote Sensing Letters, 11(4):838–842, April 2014. [175] Nicolas Le Roux and Yoshua Bengio. Representational power of restricted Boltzmann machines and deep belief networks. Neural computation, 20(6):1631–1649, 2008. 

    [176] Yann LeCun, LD Jackel, L´eon Bottou, Corinna Cortes, John S Denker, Harris Drucker, Isabelle Guyon, UA Muller, E Sackinger, Patrice Simard, et al. Learning algorithms for classification: A comparison on handwritten digit recognition. Neural networks: the statistical mechanics perspective, 261:276, 1995. [177] H. Lee and H. Kwon. Going deeper with contextual cnn for hyperspectral image classification. IEEE Transactions on Image Processing, 26(10):4843–4855, Oct 2017. [178] James B Lee, A Stephen Woodyatt, and Mark Berman. Enhancement of high spectral resolution remote-sensing data by a noise-adjusted principal components transform. IEEE Transactions on Geoscience and Remote Sensing, 28(3):295–304, 1990. [179] Fan Li, Linlin Xu, P. Siva, A. Wong, and D.A. Clausi. Hyperspectral image classification with limited labeled training samples using enhanced ensemble learning and conditional random fields. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2427– 2438, June 2015. [180] J. Li, J.M. Bioucas-Dias, and A. Plaza. Semisupervised hyperspectral image segmentation using multinomial logistic regression with active learning. IEEE Transactions on Geoscience and Remote Sensing, 48(11):4085–4098, Nov 2010. [181] Jun Li, J.M. Bioucas-Dias, and A. Plaza. Hyperspectral image segmentation using a new Bayesian approach with active learning. IEEE Transactions on Geoscience and Remote Sensing, 49(10):3947–3960, Oct 2011. [182] Jun Li, J.M. Bioucas-Dias, and A. Plaza. Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression. IEEE Geoscience and Remote Sensing Letters, 10(2):318–322, March 2013. [183] Jun Li, Jos´e M Bioucas-Dias, and Antonio Plaza. Spectral–spatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields. IEEE Transactions on Geoscience and Remote Sensing, 50(3):809–823, 2012. [184] Jun Li, Jos´e M Bioucas-Dias, and Antonio Plaza. Spectral–spatial classification of hyperspectral data using loopy belief propagation and active learning. IEEE Transactions on Geoscience and Remote Sensing, 51(2):844–856, 2013. [185] Jun Li, Xin Huang, Paolo Gamba, Jos´e M Bioucas-Dias, Liangpei Zhang, J´on Atli Benediktsson, and Antonio Plaza. Multiple feature learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 53(3):1592–1606, 2015. [186] W. Li, G. Wu, and Q. Du. Transferred deep learning for anomaly detection in hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 14(5):597–601, May 2017. [187] W. Li, G. Wu, F. Zhang, and Q. Du. Hyperspectral image classification using deep pixel-pair features. IEEE Transactions on Geoscience and Remote Sensing, 55(2):844–853, Feb 2017. [188] Wei Li, S. Prasad, J.E. Fowler, and L.M. Bruce. Locality-preserving discriminant analysis in kernel-induced feature spaces for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 8(5):894–898, Sept 2011. [189] Wei Li, Saurabh Prasad, and James E Fowler. Hyperspectral image classification using Gaussian mixture models and Markov random fields. IEEE Geoscience and Remote Sensing Letters, 11(1):153–157, 2014. [190] Wei Li, Saurabh Prasad, James E Fowler, and Lori Mann Bruce. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Transactions on Geoscience and Remote Sensing, 50(4):1185–1198, 2012. [191] Ying Li, Haokui Zhang, and Qiang Shen. Spectralspatial classification of hyperspectral imagery with 3D convolutional neural network. Remote Sensing, 9(1), 2017. [192] Zhenguo Li, Xiao-Ming Wu, and Shih-Fu Chang. Segmentation using superpixels: A bipartite graph partitioning approach. I


    [193] Heming Liang and Qi Li. Hyperspectral imagery classification using sparse representations of convolutional neural network features. Remote Sensing, 8(2), 2016. [194] Wenzhi Liao, Xin Huang, Frieke Van Coillie, Sidharta Gautama, Aleksandra Piˇzurica, Wilfried Philips, Hui Liu, Tingting Zhu, Michal Shimoni, Gabriele Moser, et al. Processing of multiresolution thermal hyperspectral and digital color data: Outcome of the 2014 IEEE GRSS data fusion contest. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2984– 2996, 2015. [195] Jianjun Liu, Zebin Wu, Zhihui Wei, Liang Xiao, and Le Sun. Spatial-spectral kernel sparse representation for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(6):2462–2471, Dec 2013. [196] Tianzhu Liu, Yanfeng Gu, Xiuping Jia, J´on Atli Benediktsson, and Jocelyn Chanussot. Classspecific sparse multiple kernel learning for spectral–spatial hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(12):7351–7365, 2016. [197] Yazhou Liu, Guo Cao, Quansen Sun, and Mel Siegel. Hyperspectral classification via deep networks and superpixel segmentation. International Journal of Remote Sensing, 36(13):3459–3482, 2015. [198] L. Loncan, L. B. de Almeida, J. M. Bioucas-Dias, X. Briottet, J. Chanussot, N. Dobigeon, S. Fabre, W. Liao, G. A. Licciardi, M. Simoes, J. Y. Tourneret, M. A. Veganzones, G. Vivone, Q. Wei, and N. Yokoya. Hyperspectral pansharpening: A review. IEEE Geoscience and Remote Sensing Magazine, 3(3):27–46, Sept 2015. [199] Dengsheng Lu and Qihao Weng. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote sensing, 28(5):823–870, 2007. [200] X. Lu, H. Wu, Y. Yuan, P. Yan, and X. Li. Manifold regularized sparse NMF for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 51(5):2815–2826, May 2013. [201] Pauline Luc, Camille Couprie, Soumith Chintala, and Jakob Verbeek. Semantic segmentation using adversarial networks. arXiv preprint arXiv:1611.08408, 2016. [202] Dalton Lunga, Saurabh Prasad, Melba M Crawford, and Okan Ersoy. Manifold-learning-based feature extraction for classification of hyperspectral data: A review of advances in manifold learning. IEEE Signal Processing Magazine, 31(1):55–66, 2014. [203] Xiaorui Ma, Jie Geng, and Hongyu Wang. Hyperspectral image classification via contextual deep learning. EURASIP Journal on Image and Video Processing, 2015(1):20, 2015. [204] Xiaorui Ma, Hongyu Wang, and Jie Geng. Spectral–spatial classification of hyperspectral image based on deep auto-encoder. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(9):4073–4085, 2016. [205] Julien Mairal, Francis Bach, and Jean Ponce. Sparse modeling for image and vision processing. Foundations and Trends R in Computer Graphics and Vision, 8(2-3):85–283, December 2014. [206] Ihab Makki, Rafic Younes, Clovis Francis, Tiziano Bianchi, and Massimo Zucchetti. A survey of landmine detection using hyperspectral imaging. ISPRS Journal of Photogrammetry and Remote Sensing, 124:40 – 53, 2017. [207] D. Manolakis and G. Shaw. Detection algorithms for hyperspectral imaging applications. IEEE Signal Processing Magazine, 19(1):29–43, Jan 2002. [208] Dimitris Manolakis, David Marden, and Gary A Shaw. Hyperspectral image processing for automatic target detection applications. Lincoln Laboratory Journal, 14(1):79–116, 2003. [209] G. Matasci, D. Tuia, and M. Kanevski. SVM-based boosting of active learning strategies for efficient domain adaptation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(5):1335–1343, Oct 2012.

     [210] S. Matteoli, T. Veracini, M. Diani, and G. Corsini. A locally adaptive background density estimator: An evolution for RX-based anomaly detectors. IEEE Geoscience and Remote Sensing Letters, 11(1):323–327, Jan 2014. [211] Stefania Matteoli, Marco Diani, and Giovanni Corsini. A tutorial overview of anomaly detection in hyperspectral images. IEEE Aerospace and Electronic Systems Magazine, 25(7):5–28, 2010. [212] S. Mei, J. Ji, J. Hou, X. Li, and Q. Du. Learning sensor-specific spatial-spectral features of hyperspectral images via convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing, 55(8):4520–4533, Aug 2017. [213] F. Melgani and L. Bruzzone. Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8):1778–1790, Aug 2004. [214] Arman Melkumyan and Eric Nettleton. An observation angle dependent nonstationary covariance function for Gaussian process regression. In International Conference on Neural Information Processing, pages 331–339. Springer, 2009. [215] Scott Menard. Applied logistic regression analysis. Number 106. Sage, 2002. [216] Gr´egoire Mercier and Marc Lennon. Support vector machines for hyperspectral image classification with spectral-based kernels. In International Geoscience and Remote Sensing Symposium (IGARSS), volume 1, pages 288–290. IEEE, 2003. [217] A. Merentitis, C. Debes, and R. Heremans. Ensemble learning in hyperspectral image classification: Toward selecting a favorable bias-variance tradeoff. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4):1089–1102, April 2014. [218] T. Meyer and G.S. Okin. Evaluation of spectral unmixing techniques using MODIS in a structurally complex savanna environment for retrieval of green vegetation, nonphotosynthetic vegetation, and soil fractional cover. Remote Sensing of Environment, 161:122 – 130, 2015. [219] F.A. Mianji and Ye Zhang. Robust hyperspectral classification using relevance vector machine. IEEE Transactions on Geoscience and Remote Sensing, 49(6):2100–2112, June 2011. [220] F.A. Mianji and Ye Zhang. SVM-based unmixing-to-classification conversion for hyperspectral abundance quantification. IEEE Transactions on Geoscience and Remote Sensing, 49(11):4318– 4327, Nov 2011. [221] R. Mittelman, N. Dobigeon, and A.O. Hero. Hyperspectral image unmixing using a multiresolution sticky HDP. IEEE Transactions on Signal Processing, 60(4):1656–1671, April 2012. [222] Sildomar Takahashi Monteiro, Yohei Minekawa, Yukio Kosugi, Tsuneya Akazawa, and Kunio Oda. Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 62(1):2 – 12, 2007. [223] Douglas C Montgomery, Elizabeth A Peck, and G Geoffrey Vining. Introduction to linear regression analysis. John Wiley & Sons, 2015. [224] G. Moser, D. Tuia, and M. Shimoni. Report on the 2015 IEEE GRSS data fusion contest-extremely high resolution LiDAR and optical data: A data fusion challenge [technical committees]. IEEE Geoscience and Remote Sensing Magazine, 3(3):118–121, Sept 2015. [225] L. Mou, P. Ghamisi, and X. X. Zhu. Deep recurrent neural networks for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 55(7):3639–3655, July 2017. [226] Giorgos Mountrakis, Jungho Im, and Caesar Ogole. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3):247 – 259, 2011. [227] Giorgos Mountrakis, Jungho Im, and Caesar Ogole. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3):247–259, 2011.


    [228] S. Moussaoui, D. Brie, A. Mohammad-Djafari, and C. Carteret. Separation of non-negative mixture of non-negative sources using a Bayesian approach and MCMC sampling. IEEE Transactions on Signal Processing, 54(11):4133–4145, Nov 2006. [229] M. Dalla Mura, J. A. Benediktsson, B. Waske, and L. Bruzzone. Morphological attribute profiles for the analysis of very high resolution images. IEEE Transactions on Geoscience and Remote Sensing, 48(10):3747–3762, Oct 2010. [230] Kevin P Murphy. Machine learning: a probabilistic perspective. MIT press, 2012. [231] R.J. Murphy, A. Chlingaryan, and A. Melkumyan. Gaussian processes for estimating wavelength position of the ferric iron crystal field feature at ∼900 nm from hyperspectral imagery acquired in the short-wave infrared (1002 -1355 nm). IEEE Transactions on Geoscience and Remote Sensing, 53(4):1907–1920, April 2015. [232] R.J. Murphy, S.T. Monteiro, and S. Schneider. Evaluating classification techniques for mapping vertical geology using field-based hyperspectral sensors. IEEE Transactions on Geoscience and Remote Sensing, 50(8):3066–3080, Aug 2012. [233] Onisimo Mutanga, Elhadi Adam, and Moses Azong Cho. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 18:399 – 406, 2012. [234] Sunil Narumalani, Deepak R Mishra, Jared Burkholder, Paul BT Merani, and Gary Willson. A comparative evaluation of ISODATA and spectral angle mapping for the detection of saltcedar using airborne hyperspectral imagery. Geocarto International, 21(2):59–66, 2006. [235] Jos´e MP Nascimento and Jose MB Dias. Does independent component analysis play a role in unmixing hyperspectral data? IEEE Transactions on Geoscience and Remote Sensing, 43(1):175– 187, 2005. [236] N.M. Nasrabadi. Hyperspectral target detection : An overview of current and future challenges. IEEE Signal Processing Magazine, 31(1):34–44, Jan 2014. [237] Hassiba Nemmour and Youcef Chibani. Multiple support vector machines for land cover change detection: An application for mapping urban extensions. ISPRS Journal of Photogrammetry and Remote Sensing, 61(2):125–133, 2006. [238] Allan Aasbjerg Nielsen. Kernel maximum autocorrelation factor and minimum noise fraction transformations. IEEE Transactions on Image Processing, 20(3):612–624, 2011. [239] Sebastian Nowozin, Christoph H Lampert, et al. Structured learning and prediction in computer vision. Foundations and Trends R in Computer Graphics and Vision, 6(3–4):185–365, 2011. [240] Leif G. Olmanson, Patrick L. Brezonik, and Marvin E. Bauer. Airborne hyperspectral remote sensing to assess spatial distribution of water quality characteristics in large rivers: The Mississippi river and its tributaries in Minnesota. Remote Sensing of Environment, 130:254 – 265, 2013. [241] Thomas H. Painter, Jeff Dozier, Dar A. Roberts, Robert E. Davis, and Robert O. Green. Retrieval of subpixel snow-covered area and grain size from imaging spectrometer data. Remote Sensing of Environment, 85(1):64 – 77, 2003. [242] M. Pal and G.M. Foody. Feature selection for classification of hyperspectral data by SVM. IEEE Transactions on Geoscience and Remote Sensing, 48(5):2297–2307, May 2010. [243] Sinno Jialin Pan and Qiang Yang. A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10):1345–1359, 2010. [244] P. Pant, V. Heikkinen, I. Korpela, M. Hauta-Kasari, and T. Tokola. Logistic regression-based spectral band selection for tree species classification: Effects of spatial scale and balance in training samples. IEEE Geoscience and Remote Sensing Letters, 11(9):1604–1608, Sept 2014. [245] E. Pasolli, F. Melgani, N. Alajlan, and Y. Bazi. Active learning methods for biophysical parameter estimation. IEEE Transactions on Geoscience and Remote Sensing, 50(10):4071–4084, Oct 2012.

    246] K.Y. Peerbhay, O. Mutanga, and R. Ismail. Random forests unsupervised classification: The detection and mapping of Solanum mauritianum infestations in plantation forestry using hyperspectral data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):3107–3122, June 2015. [247] C. Persello. Interactive domain adaptation for the classification of remote sensing images using active learning. IEEE Geoscience and Remote Sensing Letters, 10(4):736–740, July 2013. [248] C. Persello and L. Bruzzone. Active learning for domain adaptation in the supervised classification of remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 50(11):4468– 4483, Nov 2012. [249] CM Pieters, LA Taylor, D McKay, S Wentworth, R Morris, and L Keller. Spectral characterization of lunar mare soils. In Lunar and Planetary Science Conference, volume 31, 2000. [250] C. Pilorget and J.-P. Bibring. Automated algorithms to identify and locate grains of specific composition for NIR hyperspectral microscopes: Application to the micromega instrument onboard exomars. Planetary and Space Science, 99:7 – 18, 2014. [251] Javier Plaza, Antonio J Plaza, and Cristina Barra. Multi-channel morphological profiles for classification of hyperspectral images using support vector machines. Sensors, 9(1):196–218, 2009. [252] Sebastian Preidl and Daniel Doktor. Comparison of radiative transfer model inversions to estimate vegetation physiological status based on hyperspectral data. In Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pages 1–4. IEEE, 2011. [253] John C Price. How unique are spectral signatures? Remote Sensing of Environment, 49(3):181–186, 1994. [254] Ruiliang Pu, Peng Gong, Yong Tian, Xin Miao, RaymondI. Carruthers, and GeraldL. Anderson. Invasive species change detection using artificial neural networks and CASI hyperspectral imagery. Environmental Monitoring and Assessment, 140(1-3):15–32, 2008. [255] Y. Qian, M. Ye, and J. Zhou. Hyperspectral image classification based on structured sparse logistic regression and three-dimensional wavelet texture features. IEEE Transactions on Geoscience and Remote Sensing, 51(4):2276–2291, April 2013. [256] S. Rajan, J. Ghosh, and M.M. Crawford. Exploiting class hierarchies for knowledge transfer in hyperspectral data. Geoscience and Remote Sensing, IEEE Transactions on, 44(11):3408–3417, Nov 2006. [257] P. Ramzi, F. Samadzadegan, and P. Reinartz. Classification of hyperspectral data using an adaboostsvm technique applied on band clusters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):2066–2079, June 2014. [258] Peter R. Robichaud, Sarah A. Lewis, Denise Y.M. Laes, Andrew T. Hudak, Raymond F. Kokaly, and Joseph A. Zamudio. Postfire soil burn severity mapping with hyperspectral image unmixing. Remote Sensing of Environment, 108(4):467 – 480, 2007. [259] Juan Jos´e Rodriguez, Ludmila I Kuncheva, and Carlos J Alonso. Rotation forest: A new classifier ensemble method. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(10):1619– 1630, 2006. [260] Derek Rogge, Benoit Rivard, Karl Segl, Brian Grant, and Jilu Feng. Mapping of NiCuPGE ore hosting ultramafic rocks using airborne and simulated EnMAP hyperspectral imagery, Nunavik, Canada. Remote Sensing of Environment, 152:302 – 317, 2014. [261] Lior Rokach. Ensemble-based classifiers. Artificial Intelligence Review, 33(1-2):1–39, 2010. [262] A. Romero, C. Gatta, and G. Camps-Valls. Unsupervised deep feature extraction for remote sensing image classification. IEEE Transactions on Geoscience and Remote Sensing, PP(99):1–14, 2015. [263] Adriana Romero, Petia Radeva, and Carlo Gatta. Meta-parameter free unsupervised sparse feature learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37(8):1716–1722, 2015.


    264] W. Sakla, A. Chan, J. Ji, and A. Sakla. An SVDD-based algorithm for target detection in hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 8(2):384–388, March 2011. [265] A. Samat, Peijun Du, Sicong Liu, Jun Li, and Liang Cheng. E2LMs : Ensemble extreme learning machines for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4):1060–1069, April 2014. [266] Q. Sami ul Haq, Linmi Tao, Fuchun Sun, and Shiqiang Yang. A fast and robust sparse approach for hyperspectral data classification using a few labeled samples. IEEE Transactions on Geoscience and Remote Sensing, 50(6):2287–2302, June 2012. [267] A. Santara, K. Mani, P. Hatwar, A. Singh, A. Garg, K. Padia, and P. Mitra. Bass net: Bandadaptive spectral-spatial feature learning neural network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 55(9):5293–5301, Sept 2017. [268] F. Schmidt, A. Schmidt, E. Treguier, M. Guiheneuf, S. Moussaoui, and N. Dobigeon. Implementation strategies for hyperspectral unmixing using Bayesian source separation. IEEE Transactions on Geoscience and Remote Sensing, 48(11):4003–4013, Nov 2010. [269] Sven Schneider, Arman Melkumyan, Richard J Murphy, and Eric Nettleton. Gaussian processes with OAD covariance function for hyperspectral data classification. In International Conference on Tools with Artificial Intelligence (ICTAI), volume 1, pages 393–400. IEEE, 2010. [270] Sven Schneider, Richard J. Murphy, and Arman Melkumyan. Evaluating the performance of a new classifier the GP-OAD: A comparison with existing methods for classifying rock type and mineralogy from hyperspectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 98:145 – 156, 2014. [271] Bernhard Sch¨olkopf and Alexander J Smola. Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT press, 2002. [272] Burr Settles. Active learning literature survey. Computer Sciences Technical Report 1648, University of Wisconsin, Madison, 52(55-66):11, 2010. [273] CA Shah, PK Varshney, and MK Arora. ICA mixture model algorithm for unsupervised classification of remote sensing imagery. International Journal of Remote Sensing, 28(8):1711–1731, 2007. [274] Gary Shaw and Dimitris Manolakis. Signal processing for hyperspectral image exploitation. IEEE Signal processing magazine, 19(1):12–16, 2002. [275] E. Shelhamer, J. Long, and T. Darrell. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4):640–651, April 2017. [276] Chen Shi and Le Wang. Incorporating spatial information in spectral unmixing: A review. Remote Sensing of Environment, 149:70 – 87, 2014. [277] David Snyder, John Kerekes, Ian Fairweather, Robert Crabtree, Jeremy Shive, and Stacey Hager. Development of a web-based application to evaluate target finding algorithms. In International Geoscience and Remote Sensing Symposium (IGARSS), volume 2, pages II–915. IEEE, 2008. [278] Ben Somers and Gregory P Asner. Hyperspectral time series analysis of native and invasive species in Hawaiian rainforests. Remote Sensing, 4(9):2510–2529, 2012. [279] Hongjun Su, He Yang, Qian Du, and Yehua Sheng. Semisupervised band clustering for dimensionality reduction of hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 8(6):1135– 1139, 2011. [280] Shujin Sun, Ping Zhong, Huaitie Xiao, and Runsheng Wang. Active learning with Gaussian process classifier for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 53(4):1746–1760, April 2015. [281] Shujin Sun, Ping Zhong, Huaitie Xiao, and Runsheng Wang. An MRF model-based active learning framework for the spectral-spatial classification of hyperspectral imagery. IEEE Journal of Selected Topics in Signal Processing, 9(6):1074–1088, Sept 2015. 


    [282] Zhuo Sun, Cheng Wang, Hanyun Wang, and J. Li. Learn multiple-kernel SVMs for domain adaptation in hyperspectral data. IEEE Geoscience and Remote Sensing Letters, 10(5):1224–1228, Sept 2013. [283] Charles Sutton and Andrew McCallum. Foundations and trends R in machine learning. Foundations and Trends in Machine Learning, 4(4):267–373, 2011. [284] L. Surez, P.J. Zarco-Tejada, G. Sepulcre-Cant, O. Prez-Priego, J.R. Miller, J.C. Jimnez-Muoz, and J. Sobrino. Assessing canopy PRI for water stress detection with diurnal airborne imagery. Remote Sensing of Environment, 112(2):560 – 575, 2008. Soil Moisture Experiments 2004 (SMEX04) Special Issue. [285] C. Tao, H. Pan, Y. Li, and Z. Zou. Unsupervised spectral-spatial feature learning with stacked sparse autoencoder for hyperspectral imagery classification. IEEE Geoscience and Remote Sensing Letters, 12(12):2438–2442, Dec 2015. [286] Y. Tarabalka, M. Fauvel, J. Chanussot, and J.A. Benediktsson. SVM- and MRF-based method for accurate classification of hyperspectral images. IEEE Geoscience and Remote Sensing Letters, 7(4):736–740, Oct 2010. [287] Yuliya Tarabalka, J´on Atli Benediktsson, and Jocelyn Chanussot. Spectral–spatial classification of hyperspectral imagery based on partitional clustering techniques. IEEE Transactions on Geoscience and Remote Sensing, 47(8):2973–2987, 2009. [288] Yuliya Tarabalka, Trym Vegard Haavardsholm, Ingebjørg K˚asen, and Torbjørn Skauli. Real-time anomaly detection in hyperspectral images using multivariate normal mixture models and GPU processing. Journal of Real-Time Image Processing, 4(3):287–300, 2009. [289] David MJ Tax and Robert PW Duin. Support vector data description. Machine learning, 54(1):45– 66, 2004. [290] Yee Whye Teh. Dirichlet process. In Encyclopedia of machine learning, pages 280–287. Springer, 2011. [291] K.E. Themelis, A.A. Rontogiannis, and K.D. Koutroumbas. A novel hierarchical Bayesian approach for sparse semisupervised hyperspectral unmixing. IEEE Transactions on Signal Processing, 60(2):585–599, Feb 2012. [292] Michael E Tipping. Sparse Bayesian learning and the relevance vector machine. The Journal of Machine Learning Research, 1:211–244, 2001. [293] Yung Liang Tong. The multivariate normal distribution. Springer Science & Business Media, 2012. [294] Paul M Treitz and Philip J Howarth. Hyperspectral remote sensing for estimating biophysical parameters of forest ecosystems. Progress in Physical Geography, 23(3):359–390, 1999. [295] E. Truslow, D. Manolakis, M. Pieper, T. Cooley, and M. Brueggeman. Performance prediction of matched filter and adaptive cosine estimator hyperspectral target detectors. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):2337–2350, June 2014. [296] D. Tuia, E. Merenyi, X. Jia, and M. Grana-Romay. Foreword to the special issue on machine learning for remote sensing data processing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4):1007–1011, April 2014. [297] D. Tuia, G. Moser, and B. Le Saux. 2016 IEEE GRSS data fusion contest: Very high temporal resolution from space technical committees. IEEE Geoscience and Remote Sensing Magazine, 4(1):46–48, March 2016. [298] D. Tuia, J. Verrelst, L. Alonso, F. Perez-Cruz, and G. Camps-Valls. Multioutput support vector regression for remote sensing biophysical parameter estimation. IEEE Geoscience and Remote Sensing Letters, 8(4):804–808, July 2011. [299] Devis Tuia, Gustavo Camps-Valls, Giona Matasci, and Mikhail Kanevski. Learning relevant image features with multiple-kernel classification. IEEE Transactions on Geoscience and Remote Sensing, 48(10):3780–3791, 2010.


    [300] Freek D Van der Meer, Harald MA Van der Werff, Frank JA van Ruitenbeek, Chris A Hecker, Wim H Bakker, Marleen F Noomen, Mark van der Meijde, E John M Carranza, J Boudewijn de Smeth, and Tsehaie Woldai. Multi-and hyperspectral geologic remote sensing: A review. International Journal of Applied Earth Observation and Geoinformation, 14(1):112–128, 2012. [301] Willem JD Van Leeuwen, Barron J Orr, Stuart E Marsh, and Stefanie M Herrmann. Multi-sensor NDVI data continuity: Uncertainties and implications for vegetation monitoring applications. Remote sensing of environment, 100(1):67–81, 2006. [302] J. Verrelst, L. Alonso, J.P.R. Caicedo, J. Moreno, and G. Camps-Valls. Gaussian process retrieval of chlorophyll content from imaging spectroscopy data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(2):867–874, April 2013. [303] J. Verrelst, L. Alonso, G. Camps-Valls, J. Delegido, and J. Moreno. Retrieval of vegetation biophysical parameters using Gaussian process techniques. IEEE Transactions on Geoscience and Remote Sensing, 50(5):1832–1843, May 2012. [304] A. Villa, J. Chanussot, J.A. Benediktsson, and C. Jutten. Spectral unmixing for the classification of hyperspectral images at a finer spatial resolution. IEEE Journal of Selected Topics in Signal Processing, 5(3):521–533, June 2011. [305] A. Villa, J. Chanussot, J.A. Benediktsson, C. Jutten, and R. Dambreville. Unsupervised methods for the classification of hyperspectral images with low spatial resolution. Pattern Recognition, 46(6):1556 – 1568, 2013. [306] Pascal Vincent, Hugo Larochelle, Isabelle Lajoie, Yoshua Bengio, and Pierre-Antoine Manzagol. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. The Journal of Machine Learning Research, 11:3371–3408, 2010. [307] Vincenzo Esposito Vinzi, Wynne W Chin, J¨org Henseler, and Huiwen Wang. Handbook of partial least squares: Concepts, methods and applications. Springer Science & Business Media, 2010. [308] Ulrike von Luxburg. A tutorial on spectral clustering. Statistics and Computing, 17(4):395–416, 2007. [309] Martin J. Wainwright and Michael I. Jordan. Graphical models, exponential families, and variational inference. Foundations and Trends R in Machine Learning, 1(1-2):1–305, January 2008. [310] Fu-Min Wang, Jing-Feng Huang, and Xiu-Zhen Wang. Identification of optimal hyperspectral bands for estimation of rice biophysical parameters. Journal of integrative plant biology, 50(3):291– 299, 2008. [311] Jing Wang and Chein-I Chang. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis. IEEE Transactions on Geoscience and Remote sensing, 44(6):1586–1600, 2006. [312] Kai Wang, Steven E Franklin, Xulin Guo, and Marc Cattet. Remote sensing of ecology, biodiversity and conservation: A review from the perspective of remote sensing specialists. Sensors, 10(11):9647–9667, 2010. [313] Liguo Wang and Xiuping Jia. Integration of soft and hard classifications using extended support vector machines. IEEE Geoscience and Remote Sensing Letters, 6(3):543–547, July 2009. [314] Liguo Wang and Qunming Wang. Subpixel mapping using Markov random field with multiple spectral constraints from subpixel shifted remote sensing images. IEEE Geoscience and Remote Sensing Letters, 10(3):598–602, May 2013. [315] Qingwang Wang, Yanfeng Gu, and Devis Tuia. Discriminative multiple kernel learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(7):3912– 3927, 2016. [316] B. Waske, S. van der Linden, J.A. Benediktsson, A. Rabe, and P. Hostert. Sensitivity of support vector machines to random feature selection in classification of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 48(7):2880–2889, July 2010. 

    [317] Alexander Wendel and James Underwood. Illumination compensation in ground based hyperspectral imaging. ISPRS Journal of Photogrammetry and Remote Sensing, 129:162–178, 2017.

     [318] Elizabeth A Wentz, Sharolyn Anderson, Michail Fragkias, Maik Netzband, Victor Mesev, Soe W Myint, Dale Quattrochi, Atiqur Rahman, and Karen C Seto. Supporting global environmental change research: A review of trends and knowledge gaps in urban remote sensing. Remote Sensing, 6(5):3879–3905, 2014. 

    [319] Christopher KI Williams and Carl Edward Rasmussen. Gaussian processes for machine learning. the MIT Press, 2(3):4, 2006. 

    [320] Hao Wu and Saurabh Prasad. Convolutional recurrent neural networks forhyperspectral data classification. Remote Sensing, 9(3), 2017.

     [321] Zebin Wu, Qicong Wang, A. Plaza, Jun Li, Le Sun, and Zhihui Wei. Real-time implementation of the sparse multinomial logistic regression for hyperspectral image classification on GPUs. IEEE Geoscience and Remote Sensing Letters, 12(7):1456–1460, July 2015. 

    [322] Junshi Xia, J. Chanussot, Peijun Du, and Xiyan He. Spectral-spatial classification for hyperspectral data using rotation forests with local feature extraction and Markov random fields. IEEE Transactions on Geoscience and Remote Sensing, 53(5):2532–2546, May 2015. 

    [323] Junshi Xia, M. Dalla Mura, J. Chanussot, Peijun Du, and Xiyan He. Random subspace ensembles for hyperspectral image classification with extended morphological attribute profiles. IEEE Transactions on Geoscience and Remote Sensing, 53(9):4768–4786, Sept 2015.

     [324] Junshi Xia, Peijun Du, Xiyan He, and J. Chanussot. Hyperspectral remote sensing image classification based on rotation forest. IEEE Geoscience and Remote Sensing Letters, 11(1):239–243, Jan 2014.

     [325] Yang Xu, Zebin Wu, and Zhihui Wei. Spectral-spatial classification of hyperspectral image based on low-rank decomposition. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2370–2380, June 2015. 

    [326] Chen Yang, Sicong Liu, Lorenzo Bruzzone, Renchu Guan, and Peijun Du. A feature-metric-based affinity propagation technique for feature selection in hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 10(5):1152–1156, 2013. 

    [327] He Yang, Qian Du, and Ben Ma. Decision fusion on supervised and unsupervised classifiers for hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 7(4):875–879, 2010. [328] J. Yang, Y. Q. Zhao, and J. C. W. Chan. Learning and transferring deep joint spectral-spatial features for hyperspectral classification. IEEE Transactions on Geoscience and Remote Sensing, 55(8):4729–4742, Aug 2017. 

    [329] Qiangqiang Yuan, Liangpei Zhang, and Huanfeng Shen. Hyperspectral image denoising employing a spectral–spatial adaptive total variation model. IEEE Transactions on Geoscience and Remote Sensing, 50(10):3660–3677, 2012. 

    [330] Jun Yue, Wenzhi Zhao, Shanjun Mao, and Hui Liu. Spectral–spatial classification of hyperspectral images using deep convolutional neural networks. Remote Sensing Letters, 6(6):468–477, 2015. 

    [331] P WT Yuen and M Richardson. An introduction to hyperspectral imaging and its application for security, surveillance and target acquisition. The Imaging Science Journal, 58(5):241–253, 2010.

     [332] A. Zare and P. Gader. PCE: Piecewise convex endmember detection. IEEE Transactions on Geoscience and Remote Sensing, 48(6):2620–2632, June 2010. 

    [333] A. Zare, P. Gader, and G. Casella. Sampling piecewise convex unmixing and endmember extraction. IEEE Transactions on Geoscience and Remote Sensing, 51(3):1655–1665, March 2013

    [334] Alina Zare and KC Ho. Endmember variability in hyperspectral analysis: Addressing spectral variability during spectral unmixing. IEEE Signal Processing Magazine, 31(1):95–104, 2014. 44 

    [335] Guangyun Zhang and Xiuping Jia. Simplified conditional random fields with class boundary constraint for spectral-spatial based remote sensing image classification. IEEE Geoscience and Remote Sensing Letters, 9(5):856–860, 2012.

    [336] Haokui Zhang, Ying Li, Yuzhu Zhang, and Qiang Shen. Spectral-spatial classification of hyperspectral imagery using a dual-channel convolutional neural network. Remote Sensing Letters, 8(5):438–447, 2017. 

    [337] Hongyan Zhang, Jiayi Li, Yuancheng Huang, and Liangpei Zhang. A nonlocal weighted joint sparse representation classification method for hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6):2056–2065, June 2014. 

    [338] L. Zhang, L. Zhang, and B. Du. Deep learning for remote sensing data: A technical tutorial on the state of the art. IEEE Geoscience and Remote Sensing Magazine, 4(2):22–40, June 2016. 

    [339] Ji Zhao, Yanfei Zhong, Yunyun Wu, Liangpei Zhang, and Hong Shu. Sub-pixel mapping based on conditional random fields for hyperspectral remote sensing imagery. IEEE Journal of Selected Topics in Signal Processing, 9(6):1049–1060, Sept 2015. 

    [340] Ji Zhao, Yanfei Zhong, and Liangpei Zhang. Detail-preserving smoothing classifier based on conditional random fields for high spatial resolution remote sensing imagery. IEEE transactions on Geoscience and Remote Sensing, 53(5):2440–2452, 2015. 

    [341] Kaiguang Zhao, Denis Valle, Sorin Popescu, Xuesong Zhang, and Bani Mallick. Hyperspectral remote sensing of plant biochemistry using Bayesian model averaging with variable and band selection. Remote Sensing of Environment, 132:102 – 119, 2013. 

    [342] Wenzhi Zhao and Shihong Du. Spectral–spatial feature extraction for hyperspectral image classification: A dimension reduction and deep learning approach. IEEE Transactions on Geoscience and Remote Sensing, 54(8):4544–4554, 2016. 

    [343] Wenzhi Zhao, Zhou Guo, Jun Yue, Xiuyuan Zhang, and Liqun Luo. On combining multiscale deep learning features for the classification of hyperspectral remote sensing imagery. International Journal of Remote Sensing, 36(13):3368–3379, 2015. 

    [344] Ping Zhong and Runsheng Wang. Learning sparse CRFs for feature selection and classification of hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 46(12):4186–4197, Dec 2008. 

    [345] Ping Zhong and Runsheng Wang. Learning conditional random fields for classification of hyperspectral images. IEEE Transactions on Image Processing, 19(7):1890–1907, July 2010. 

    [346] Ping Zhong and Runsheng Wang. Modeling and classifying hyperspectral imagery by CRFs with sparse higher order potentials. IEEE Transactions on Geoscience and Remote Sensing, 49(2):688– 705, Feb 2011. 

    [347] Ping Zhong, Peng Zhang, and Runsheng Wang. Dynamic learning of SMLR for feature selection and classification of hyperspectral data. IEEE Geoscience and Remote Sensing Letters, 5(2):280– 284, April 2008. 

    [348] Yanfei Zhong, Xuemei Lin, and Liangpei Zhang. A support vector conditional random fields classifier with a mahalanobis distance boundary constraint for high spatial resolution remote sensing imagery. IEEE journal of selected topics in applied earth observations and remote sensing, 7(4):1314–1330, 2014. 

    [349] Z. Zhong, J. Li, Z. Luo, and M. Chapman. Spectral-spatial residual network for hyperspectral image classification: A 3-D deep learning framework. IEEE Transactions on Geoscience and Remote Sensing, PP(99):1–12, 2017. 

    [350] Xiaojin Zhu and Andrew B Goldberg. Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning, 3(1):1–130, 2009. 

    [351] Maciel Zortea and Antonio Plaza. A quantitative and comparative analysis of different implementations of N-FINDR: A fast endmember extraction algorithm. IEEE Geoscience and Remote Sensing Letters, 6(4):787–791, 2009. 45 

    [352] Zhen Zuo, Bing Shuai, Gang Wang, Xiao Liu, Xingxing Wang, Bing Wang, and Yushi Chen. Convolutional recurrent neural networks: Learning spatial dependencies for image representation. In Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pages 18–26. IEEE, 2015.

    • 0 comments:

    Post a Comment

    New Research

    Attention Mechanism Based Multi Feature Fusion Forest for Hyperspectral Image Classification.

    CBS-GAN: A Band Selection Based Generative Adversarial Net for Hyperspectral Sample Generation.

    Multi-feature Fusion based Deep Forest for Hyperspectral Image Classification.

    New Research

    SAY HELLO TO ME

    ADDRESS

    388 Lumo Rd, Hongshan, Wuhan, Hubei, China

    EMAIL

    contact-m.zamanb@yahoo.com
    mostofa.zaman@cug.edu.cn

    TELEPHONE

    #
    #

    MOBILE

    +8615527370302,
    +8807171546477

    Copyright ©2019

    Copyright © 2017 Mohammad Mostofa Zaman. Designed By Portfolio Blogger Template | Distributed By Gooyaabi Templates
    MOHAMMAD MOSTOFA ZAMAN