1. পরিচিতি

পৃথিবী পর্যবেক্ষণ প্রযুক্তির দ্রুত বিকাশ, বর্ণালী রেজোলিউশন এবং হাইপারস্পেকট্রাল ইমেজের (এইচএসআই) স্থানিক রেজোলিউশনকে লক্ষণীয়ভাবে উন্নত করা হয়েছে। অতএব, এইচএসআইগুলি বায়ুমণ্ডলীয় বিজ্ঞান, ভূতত্ত্ব খনিজ, সামরিক পুনরুদ্ধার, এবং ছদ্মবেশ সনাক্তকরণের মতো অনেকগুলি প্রবীণ [1] তে ব্যাপকভাবে গৃহীত হয়েছে। হাইপারস্পেকট্রাল রিমোট সেন্সিং সরঞ্জাম উচ্চ বর্ণালী রেজোলিউশন সহ সংকীর্ণ এবং অবিচ্ছিন্ন বর্ণালী ব্যান্ডগুলি গ্রহণ করতে পারে। মাল্টিব্যান্ড রিমোট সেন্সিং চিত্রগুলিতে কেবল বেশ কয়েকটি ব্যান্ড থাকে এবং এইচএসআইতে প্রায়শই দশক বা এমনকি কয়েকশো ব্যান্ড থাকে। অ্যালথ চিন্তার প্রচুর বর্ণালী তথ্য সঠিক জমি কভার ধরণের শ্রেণিবদ্ধকরণকে সহজতর করতে পারে, উচ্চ মাত্রিকতা এবং উচ্চ তথ্যের অপ্রয়োজনীয়তা এইচএসআই প্রসেসিংয়ের জন্যও বড় চ্যালেঞ্জ নিয়ে আসে [২]। এইচএসআই এর শ্রেণিবদ্ধকরণের জন্য কিছু তিহ্যবাহী শ্রেণিবদ্ধ চালু করা হয়েছে [3]। [৪] ইন, সাপোর্ট ভেক্টর মেশিন (এসভিএম) উচ্চ-রেজোলিউশনের দূরবর্তী সংবেদনশীল চিত্রগুলির শ্রেণিবদ্ধের বর্ণালী, কাঠামোগত এবং শব্দার্থক বৈশিষ্ট্যগুলিকে একত্রিত করতে ব্যবহৃত হয়। [৫] এ, র্যান্ডম অরণ্যে বাইনারি হায়ারারিকিকাল ক্লাসিরের মধ্যে প্রশিক্ষণের নমুনা এবং অভিযোজিত এলোমেলো উপ-স্পেস বৈশিষ্ট্য নির্বাচন অন্তর্ভুক্ত করা হয়।দ্রুত প্রযুক্তির বিকাশের সাথে, HSIগুলির স্থানিক রেজোলিউশনও দ্রুত বৃদ্ধি পেয়েছে।স্থানীয় তথ্য HSI য়ের শ্রেণিবদ্ধের জন্য আরও বেশি গুরুত্বপূর্ণ হয়ে ওঠে। বিভাগীয় পদ্ধতি স্থানিক তথ্য প্রবর্তনের একটি কার্যকর উপায়। তারাবলকা ইত্যাদি। [6] পিক্সেলওয়ালা SVM শ্রেণিবদ্ধের ফলাফল এবং সংখ্যাগরিষ্ঠ ভোটদান ব্যবহার করে পার্টিশনাল ক্লাস্টারিং দ্বারা প্রাপ্ত বিভাগ বিভাগের মানচিত্র একত্রিত করুন। [7] এ, দুটি বিভাজন পদ্ধতি, ভগ্নাংশ অর্ডার ডারউইনিয়ান কণা ঝাঁক অপ্টিমাইজেশন এবং গড় শিফট বিভাজন, HSI শ্রেণিবদ্ধ জন্য ব্যবহৃত হয়।

দ্রুত সুপারপিক্সেল বিভাগগুলি এইচএসআই শ্রেণিবদ্ধ [8], [9] এর ক্ষেত্রেও ব্যাপকভাবে ব্যবহৃত হয়। মার্কভ র্যান্ডম ফাই বৃদ্ধাবস্থা (MRF) ও স্থানিক তথ্য পরিচয় করিয়ে দিতে একটি কার্যকর অ্যালগরিদম হয়। Yuan et al [১০] এমন একটি পদ্ধতির প্রস্তাব করেছিলেন যা মূলত মাল্টিটাস্ক যৌথ বিচ্ছিন্ন উপস্থাপনা এবং একটি ধাপে ধাপে MRF কাঠামোর উপর দৃষ্টি নিবদ্ধ করে। [১১] এ, গাউসিয়ান মিশ্রণ মডেল এবং MRFকে HSIগুলিকে শ্রেণিবদ্ধ করার জন্য একত্রিত করা হয়। তদতিরিক্ত, বর্ণাল  স্থানীয় বৈশিষ্ট্য নিষ্কাশন এবং স্থানিক  লিটারিং দ্রুত এবং কার্যকর বর্ণালি – স্থানিক শ্রেণিবদ্ধ ation কেশন পদ্ধতি [12], [১৩] in [14] , এক্সটিকশনপ্রো-লে (EP) এবং একাধিক কার্নেল লার্নিং এর কার্যকারিতা উন্নত করতে মিলিত হয়েছে পর্ব। [১৫] এ, বৈষম্যমূলক বিশ্লেষণ সংরক্ষণের স্থানিক ও স্থানীয় লোকজন HSI শ্রেণিবদ্ধের জন্য একত্রিত হয়েছে।

সাম্প্রতিক বছরগুলিতে, গভীর শিক্ষার পদ্ধতিগুলি সফলভাবে অনেক কাজের জন্য ব্যবহৃত হয়েছে এবং দৃশ্যের বিভাজন, অবজেক্ট সনাক্তকরণ এবং স্থানীয়করণ, মুখের স্বীকৃতি, অডিও বিশ্লেষণ ইত্যাদির মতো অসাধারণ পারফরম্যান্স অর্জন করেছে। খুব সাম্প্রতিক বছরগুলিতে, গভীর শেখার পদ্ধতি এছাড়াও hyperspectral চিত্রাবলী classi ফাই ধনাত্মক আয়ন জন্য চালু করা হয়। convolutional স্নায়ুর নেটওয়ার্ক (CNNs) হিসেবে সবচেয়ে বেশি যে গৃহীত গভীর মডেল আছে। [16] এর মধ্যে, গভীর CNNs ভুতুড়ে ডোমেইনে সরাসরি HSIs শ্রেণীভুক্ত করতে নিযুক্ত করা হয়। চেন এট অল। [17] মিলিত নিয়মিতকরণ সঙ্গে একটি 3-ডি সিএনএন-ভিত্তিক বৈশিষ্ট্য নিষ্কাশন মডেল hyperspectral চিত্রাবলী কার্যকর ভুতুড়ে-স্থানিক বৈশিষ্ট্য বের করে আনতে প্রস্তাব দেয়। Makantasis এট অল। [18] সঙ্কেতাক্ষরে লিখা পিক্সেল 'ভুতুড়ে ও স্থানিক তথ্য এবং একটি Multilayer perceptron classi ফাই ধনাত্মক আয়ন টাস্ক আচার করার জন্য একটি সিএনএন শোষিত। চু এট অল। [19] একটি deformable convolutional নেটওয়ার্কের যা স্যাম্পলিং অবস্থানে adaptively স্থানিক প্রেক্ষিতে অনুযায়ী স্থায়ী করা যেতে পারে পরিচয় করিয়ে দেন।

ইতিমধ্যে, সিএনএন উচ্চ স্তরে স্বয়ংক্রিয়ভাবে স্থানিক সম্পর্কিত বৈশিষ্ট্যগুলি ব্যবহার করতে ব্যবহৃত হয়। Ghamisi এট অল। [20] hyperspectral এবং হালকা সনাক্তকরণ লয় জন্য একটি উপন্যাস কাঠামো প্রস্তাব এবং EPs এবং CNN ব্যবহার rasterized তথ্য rangingderived। সিএনএন ছাড়াও, গভীর autoencoder নেটওয়ার্ক এবং গভীর বিশ্বাস নেটওয়ার্ক (Dbn) ও HSIs এর classi ফাই ধনাত্মক আয়ন জন্য চালু করা হয়। ইন [21], গভীর স্তুপীকৃত autoencoders (SAEs) দরকারী উচ্চ পর্যায়ের নতুন বৈশিষ্ট্য পান করতে ব্যবহৃত হয়। ইন [22] segmented SAEs ছোট ডেটা অংশ, যা আলাদাভাবে বিভিন্ন ছোট SAEs দ্বারা প্রসেস করা হয় মধ্যে মূল বৈশিষ্ট্য অপবিত্রতা প্রস্তাব করা হয়। ইন [23], নতুন বৈশিষ্ট্য নিষ্কাশন এবং ইমেজ classi ফাই ধনাত্মক আয়ন ফ্রেমওয়ার্ক DBNs উপর ভিত্তি করে hyperspectral তথ্য বিশ্লেষণ জন্য প্রস্তাব করা হয়। ঝং এট অল। [24] উন্নত একটি নতুন বিবিধ ফাই একটি বৈচিত্র্য-প্রচার পূর্বে উপর প্রচ্ছন্ন কারণের দ্বারা pretraining এবং ফাই NE-টিউনিং পদ্ধতি নিয়ামক মাধ্যমে Dbn ed।

অর্ডার যথেষ্ট ফাই ইডি কর্মক্ষমতা প্রাপ্ত করার জন্য, ঐতিহ্যগত গভীর মডেল প্রায়ই প্রশিক্ষণ নমুনার অনেক প্রয়োজন। যাইহোক, HSIs এর লেবেল কাজের সময় ব্যয়কারী এবং ব্যয়বহুল। উপরন্তু, ঐতিহ্যগত গভীর মডেলের প্রশিক্ষণের সঙ্গে অনেক সময় পুড়িয়ে ফেলবে। এই চিঠিতে গভীর বনের ধারণা দ্বারা অনুপ্রাণিত [25], একটি নতুন ঘূর্ণন ভিত্তিক গভীর বন মডেল (RBDF) classi ফাই HSIs এর ধনাত্মক আয়ন, যা rotationforest (ROF) proposedfor হয় [26] usedto এর পক্ষপাতমূলক ক্ষমতা উন্নত হয় ভুতুড়ে বৈশিষ্ট্য এবং প্রতিবেশী পিক্সেল স্থানিক তথ্য পরিচয় করিয়ে ব্যবহার করা হয়। প্রস্তাবিত RBDF যথেষ্ট ফাই ইডি classi ফাই ধনাত্মক আয়ন কয়েক প্রশিক্ষণ নমুনার সাথে কর্মক্ষমতা পেতে পারেন ছাড়াও, প্রশিক্ষণ সময় অনেক ঐতিহ্যগত গভীর মডেল কম।

এই চিঠিটির বাকী অংশটি নীচের মত করে সাজানো হয়েছে। অনুচ্ছেদ ২ সালে ROF মৌলিক পদক্ষেপ প্রথম চালু, তারপর প্রস্তাবিত RBDF মডেল উপস্থাপন করা হয়। তৃতীয় বিভাগে পরীক্ষামূলক ফলাফল এবং বিশ্লেষণ সরবরাহ করা হয়েছে। চতুর্থ বিভাগে সিদ্ধান্তগুলি সরবরাহ করা হয়েছে।

II. HSIS CLASSIFICATION WITH RBDF (Rotation-Based Deep Forest )
এই বিভাগে, আমরা আরএফএফকে প্রথম পরিচয় করিয়ে দিই। তারপর, প্রস্তাবিত আরবিডিএফ বিস্তারিত উপস্থাপন করা হয়।
A: আবর্তন বনল ধরুন {এক্স, ওয়াই} = {xi, yi} N i = 1 প্রশিক্ষণের নমুনা এবং সংশ্লিষ্ট লেবেল হোন।
এফ হ'ল মাত্রা ডি সহ বৈশিষ্ট্যগুলি প্রথমত, বৈশিষ্ট্যটি এফ দিয়ে কে বৈশিষ্ট্য উপসর্গগুলিতে বিভক্ত
 করা হয় তারপরে, প্রশিক্ষণের নমুনাগুলির 75% এলোমেলোভাবে প্রতিটি বৈশিষ্ট্য উপসেট XJ (J = 1,2, ..., K) থেকে নতুন নতুন ট্রেনিংসেটে নির্বাচিত হয় এবং কোফ-সেন্টগুলি পেতে ডেটা ট্রান্সফর্মেশন পদ্ধতি (such as principle component analysis) ) ব্যবহার করা হয় coefficients aj 1,aj 2,...,aj M। একটি স্পর্শযুক্ত ঘূর্ণন ম্যাট্রিক্স আর নিম্নলিখিত হিসাবে প্রাপ্ত করা যেতে পারে: