hyperspectral images গুলির শ্রেণিবদ্ধকরণ (HSis) রিমোট সেন্সিং প্রযুক্তির শীর্ষস্থানীয় একটি আলোচিত বিষয়। সাম্প্রতিক বছরগুলিতে, convolutional neural network (CNN)  HSI শ্রেণিবদ্ধের জন্য দুর্দান্ত সাফল্য অর্জন করেছে।তবে CNN কে parameter গুলির tuning -র ক্ষেত্রে দুর্দান্ত প্রচেষ্টা করতে হবে যা সময় সাপেক্ষ। তদুপরি, সিএনএন প্রশিক্ষণের জন্য প্রচুর পরিমাণে নমুনা প্রয়োজন, তবুও, HSI থেকে পর্যাপ্ত প্রশিক্ষণের নমুনা পাওয়া ব্যয়বহুল।এই গবেষণাপত্রে, আমরা গভীর অরণ্যের উপর ভিত্তি করে একটি উপন্যাসের শ্রেণিবদ্ধ পদ্ধতির প্রস্তাব দিই। হাইপার বর্ণালী ডেটার মাত্রা হ্রাস করার জন্য, প্রাক-প্রক্রিয়াজাতকরণের সময় principal component analysis(PCA) সঞ্চালিত হয়। CNN  এর বিপরীতে, আমাদের পদ্ধতিতে হাইপার-প্যারামিটার এবং দ্রুত প্রশিক্ষণের গতি কম রয়েছে। আমাদের জ্ঞানের সেরা, এটি প্রথম গভীর বন-ভিত্তিক হাইপারস্পেকট্রাল বর্ণাল তথ্য শ্রেণিবদ্ধের মধ্যে একটি। প্রস্তাবিত পদ্ধতিটি স্বতন্ত্র-অত্যাধুনিক পদ্ধতির তুলনায় স্বতন্ত্র superior সর্বোত্তমভাবে দেখানোর জন্য দুটি বাস্তব-বিশ্বের HSI ডেটাসেটগুলিতে বিস্তৃত পরীক্ষা-নিরীক্ষা করা হয়।

KeyWords: Deep Forest, Hyperspectral Image (HSI), Deep Neural Network(DNN), Principal Component Analysis (PCA)

1. Introduction

      পৃথিবী পর্যবেক্ষণ শিল্পের দ্রুত বিকাশের সাথে, রিমোট সেন্সিং ল্যান্ডমার্কের পদার্থগুলি অর্জন করার জন্য একটি সংকেত-ক্যান্ট প্রযুক্তিতে পরিণত হয়েছে [1]।তবে জটিল বিষয়বস্তু এবং রিমোট সেন্সর রেজোলিউশনের সীমাবদ্ধতার কারণে, HSI গুলির কাছ থেকে প্রশিক্ষণের নমুনাগুলি অর্জনের জন্য অনেক ব্যয়বহুল ডেটা-লেবেলিং প্রচেষ্টা [2-4] সহ  প্রবীণদের তদন্ত করে ম্যানুয়ালি চিহ্নিত করার দাবি রয়েছে। HSI শ্রেণিবদ্ধের জন্য, কর্মক্ষমতা অনেক কারণের উপর নির্ভর করে, যেমন ডেটার high dimensionality/উচ্চ মাত্রিকতা,re-dundant features/পুনরায় জালিয়াতির বৈশিষ্ট্য উপস্থিতি,এবং উপলব্ধ প্রশিক্ষণের নমুনার সীমিত সংখ্যার মধ্যে  im-balance among  [5,6]।

     HSI classification  প্রশ্নে issue তে, বিগত কয়েক দশকে কিছু কার্যকর পদ্ধতি প্রস্তাব করা হয়েছে। Liu et al. [7] clonal selection/ক্লোনাল সিলেকশন দ্বারা support vector machine (SVM) এর উপর ভিত্তি করে একটি হাইপারস্পেকট্রাল ডেটা ক্লাসি-কেশন পদ্ধতি উপস্থাপন করে, যা SVM-র প্রশিক্ষণ  দক্ষতার উন্নতি করে এবং শ্রেণিবদ্ধকরণের যথার্থতা বৃদ্ধি করে। Xia et al. [8] HSI classification র জন্যexploited random forest(RF)  ensembles করে, যা দুটি হাইপারস্পেকট্রাল ডেটাসেটে পরীক্ষা করে উচ্চতর পারফরম্যান্স প্রকাশ করেছে।

      Deep neural networks (DNNs) ক্রমবর্ধমান সাফল্য অর্জন করেছে , যা imagery classification-র সেরা শ্রেণির ক্ষেত্রে দুর্দান্ত সম্ভাবনা দেখায়। Yang et al. [9] convolutional neural networks (CNNs) দ্বারা হাইপারস্পেকট্রাল ডেটা থেকে যৌথ ভাবে spectral-spatial features গুলি নিষ্কাশনের জন্য দুটি শাখা কাঠামো উপস্থাপন করেছে।CNN branches/সিএনএন শাখাগুলির একটি বর্ণালী তথ্য আহরণের জন্য ব্যবহৃত হয়েছিল, অন্য extracted spatial information আহরণের জন্য এবং two sets of features গুলি তখন joint spectral-spatial features গঠনের জন্য fully connected layer গুলিতে ইনপুট করে ছিল।Afterwards/ এরপরে, joint spectral-spatial features গুলি ছিল softmax layer দ্বারা classified ছিল, যা excellent classification accuracy achieved করেছিল।  Chen et al.[10] HSIs গুলিকে শ্রেণিবদ্ধ করার জন্য একটি deep belief network (DBN) মডেল প্রস্তাব করেছে। Whereas/অন্যদিকে, DNNsগুলি এখনও হাইপারস্পেকট্রাল ডেটাগুলির শ্রেণিবদ্ধকরণের জন্য কিছু defects/ত্রুটির মুখোমুখি। For example, complex structure এবং powerful computational facilities  প্রয়োজনীয়তা আমাদের বিশ্লেষণকে বাধা দেয়, পাশাপাশি সাধারণ কম্পিউটারে গবেষণার সীমাবদ্ধ করে। আরও বেশি, DNNs গুলি যদি HSI শ্রেণিবদ্ধের উপর নিখুঁত প্রভাব ফেলতে চায় তবে এটি অবশ্যই প্রচুর পরিমাণে প্রশিক্ষণের নমুনা এবং জটিল প্যারামিটার সমন্বয় [11] এর উপর নির্ভর করবে। Deep forest, decision tree একটি অ্যালগরিদম, DNN [12] এর সাথে প্রতিযোগিতামূলক। multi-layer architecture তৈরির জন্য ক্যাসকেড Cascade structure করা হয়। previous level র আউটপুট ভেক্টরগুলি উন্নত বৈশিষ্ট্য হিসাবে বিবেচিত হয়, যা next level ইনপুটটিতে মূল ভেক্টরের সাথে সংযুক্ত হবে। For the research of deep forest, Lev and Mikkhail [13] দ্বারা প্রস্তাবিত dis-criminative/বৈষম্যমূলক  deep forest-র metric learning algorithm , and Zhu et al.[14] flame detection/শিখা সনাক্তকরণ-র জন্য deep forest ব্যবহার করেছেন। DNNs গুলির Contrary/বিপরীতে, deep forest বিশ্লেষণের জন্য  simple network structure রয়েছে। অল্প সংখ্যক hyper-parameters গুলি parallel ভাবে  implement করা সহজ  এবং hyper-parameter settings highly robust/অত্যন্ত শক্তিশালী সম্পাদন করে [১৩]। এটি লক্ষণীয় যে, প্রশিক্ষণের নমুনার অভাবে deep forest DNNs-এর চেয়ে ভাল পারফরম্যান্স করতে পারে।

Hyperspectral data তে জটিল বিষয়বস্তুগুলির একটি বিশাল পরিমাণ রয়েছে, তবে ম্যানুয়াল চিহ্নিতকরণের  high cost র কারণে [15-17] হিসাবে sufficient লেবেলযুক্ত ডেটার অভাব রয়েছে।এটি deep forest কে HSI শ্রেণিবদ্ধের জন্য আরও সুবিধাজনক করে তুলেছে।এই কাগজে, মাত্রা হ্রাসের পরে হাইপারস্পেকট্রাল ডেটা শ্রেণীবদ্ধ করার জন্য deep forest প্রয়োগ করা হয়,যা এইচএসআই শ্রেণিবদ্ধের সম্মুখীন হওয়া একটি সিরিজ সমস্যার সমাধান করে।

2  Deep Forest for HSI Classification

এই বিভাগে,  principal component analysis (PCA-DF) এর ভিত্তিতে deep forest-র অ্যালগরিদম বিস্তারিতভাবে চিত্রিত করা হয়েছে।Fig. 1 summarizes the overall framework of PCA-DF, which describes the classification procedure of HSIs exhaustively. ধরুন, কাঁচা ডেটা হ'ল third-order tensor গুলি T ^ (m × h) × b, যেখানে m and h বর্ণালীটির  length and width এবং b HSI তে থাকা ব্যান্ডের সংখ্যা।complicated hyperspectral data-র কারণে আমরা Min-Max Normalization method তে কাঁচা ডেটা স্বাভাবিক করি, একই সাথে, hyperspectral data-র,  high dimensionality [18,19] এর সমস্যা সমাধানের জন্য PCA অ্যালগরিদম দ্বারা reduced পেয়েছে। Specifically, হাইপারস্পেকট্রাল ডেটাতে রূপান্তরিত হয়;

R^(m×h)×n = PCA [T^(m×h)×b], .............(1)

যেখানে n (n<b) হচ্ছে reducing dimension করার পরে বৈশিষ্ট্যের সংখ্যা। আমরা পরের প্রতিটি পিক্সেলকে নমুনা হিসাবে নিই এবং একে one-dimensional (1-D) vector X_1D তে প্রসারিত করি, original hyperspectral data-র জন্য pre-processing করণের পরে, গভীর অরণ্যের ইনপুট প্রতিটি পিক্সেলের জন্য 1-D vector নেই।  Note that, অতিরিক্ত ঝুঁকিপূর্ণ ঝুঁকি হ্রাস করার বিবেচনার ধারাতে, cascade levels র সংখ্যা স্বয়ংক্রিয়ভাবে নির্ধারিত হয়। K-fold  ক্রস বৈধতা forest layers গুলির সংখ্যা নির্ধারণ করতে ব্যবহৃত হয়, এবং প্রতিটি নমুনা  k−1 শ্রেণিবদ্ধ তৈরি করতে k − 1 বার প্রশিক্ষণের ডেটা হিসাবে বিবেচিত হয়। নতুন লেভেল ব্যয় করার পরে, পুরো কাঠামোর পারফরম্যান্স পুরো বৈধতা সেটটিতে অনুমান করা হবে। যদি কোনও   significant performance gain হয় না, প্রশিক্ষণের পদ্ধতিটি সমাপ্ত হবে, এবং গভীর বনের স্তরগুলি নির্ধারিত হয়। এই  self-adjusting ability প্রশিক্ষণের প্রক্রিয়া চলাকালীন hyper-parameter adjustments-র জটিল সমস্যা সমাধান করে [১৩]। প্রতিটি স্তরের সম্মানের সাথে, এটি দুটি ধরণের বন দ্বারা গঠিত: completely-random tree forest (C-RTF) এবং RF, যেখানে দুটি ধরণের বন completely-random decision trees বা random decision trees-র সমন্বয়ে গঠিত। completely-random decision tree গুলি পুরো বৈশিষ্ট্য জায়গার বাইরে বিভাজন হিসাবে কোনও বৈশিষ্ট্য নির্বাচন করে উত্পন্ন হয় এবং তারপরে প্রতিটি লিফ নোডে কেবল একই শ্রেণি না হওয়া পর্যন্ত সিদ্ধান্তের গাছটি বড় হয়। ভিন্নভাবে, পুরো বৈশিষ্ট্য ব্যবস্থার প্রার্থী হিসাবে √Q ( Q  ইনপুট বৈশিষ্ট্যগুলি) বৈশিষ্ট্যগুলি নির্বাচন করে এলোমেলো বন তৈরি করা হয় এবং তারপরে বৈশিষ্ট্যটি বেছে নিন যার মধ্যে সেরা gini coefficient রয়েছে  split character-র  হিসাবে istic [5, 8]।  The gini coefficient is defined as

যেখানে I HSI তে বিভাগগুলির সংখ্যা, এবং pi  হ'ল উদাহরণটি i ম শ্রেণীর অন্তর্গত 

ভেক্টর X_1D প্রবেশের পরে, প্রথম গভীর স্তরের বনের ফলে M×Q বৃদ্ধি বৈশিষ্ট্য তৈরি হয় (M প্রতিটি স্তরের বনের সংখ্যা), যা মূল বৈশিষ্ট্য ভেক্টরের সাথে সংযোগ স্থাপন করবে এবং পরবর্তী স্তরে প্রবেশ করবে। deep forest হাইপারস্পেকট্রাল ডেটা প্রক্রিয়া করার পরে, final classification result is

যেখানে, [C_11, C_12,..., C_1I;...; C_M1,C_M2...,C_MI ] হ'ল এক স্তরের নমুনার জন্য সর্বশেষ স্তরের M forests গুলির শ্রেণিবদ্ধ সম্ভাবনা। সমস্ত পরীক্ষার নমুনার সম্ভাবনা পাওয়ার পরে, গভীর অরণ্যে হাইপারস্পেকট্রাল ডেটা শ্রেণিবদ্ধ করার পুরো প্রক্রিয়াটি finished।

3 Experiments

আমাদের পরীক্ষায় আমরা প্রস্তাবিত অ্যালগরিদমের কার্যকারিতা চিত্রিত করার জন্য four algorithms-র সাথে তুলনা করেছি, এবং PCA অ্যালগরিদম ব্যবহার করে মূল ডেটার মাত্রা 10-dimension হ্রাস করতে। PCA-RF HSI data শ্রেণীবদ্ধ করার জন্য  multiple random trees প্রয়োগ করে। Similarly/একইভাবে, PCA-C-RTF  প্রশিক্ষণ এবং ভবিষ্যদ্বাণী করার জন্য multiple completely-random trees প্রয়োগ করে [২০]। CNN is a multi-layer neural network framework  যা চিত্রগুলি থেকে topological structures গুলি নিষ্কাশন করে, এবং error backpropagation algorithm [10] এর মাধ্যমে কাঠামোটিকে optimizes করে তোলে। ডিফল্টরূপে, আমরা CNN এর সাথে সংযোগ স্থাপনের জন্য শ্রেণিবদ্ধ হিসাবে logistic regression (LR) প্রয়োগ করি। PCA-SVM  হ'ল discriminant classifier যা classification hyperplane [21] দ্বারা defined হয়। যখন একটি গ্রুপকে লেবেলযুক্ত প্রশিক্ষণের নমুনাগুলি দেওয়া হয়, তখন অ্যালগরিদম নতুন নমুনাগুলিকে শ্রেণিবদ্ধ করার জন্য একটি optimal hyperplane আউটপুট দেয়। 

3.1 Description of Data sets

presented algorithm টি যাচাই করতে Two hyper-spectral data-sets ব্যবহার করা হয়।  California-র Salinas Valley-এ 224 ব্যান্ড AVIRIS sensor দ্বারা Slinas scene টি অর্জন করা হয়েছিল,  high spatial resolution সহ।covered area টি, 217 samples দ্বারা 512 lines নিয়ে গঠিত। Botswana scene  NASA EO-1 satellite টি 2001-2004 স্থায়িত্বকাল জুড়ে এর মধ্যে Okavango Delta একাধিক তথ্য অর্জন করেছিল। EO-1-তে Hyperion sensor 30 মিটার পিক্সেল রেজোলিউশনটি ক্যাপচার করে এবং 10nm windows [22] 400-2500 nm এ 242 ব্যান্ডের 7.7 কিলোমিটার জুড়ে। Moreover/তদ্ব্যতীত, 40% ডেটা প্রশিক্ষণের জন্য এবং 60% পরীক্ষার জন্য ব্যবহৃত হয়। Two datasets can download at Hyperspectral Remote Sensing Scenes (https://www.ehu.eus/eu/) ডাউনলোড করতে পারে।

3.2 Parameter Settings

parameter settings র জন্য, DNN এর তুলনায় deep forest র সুস্পষ্ট সুবিধা রয়েছে। স্বজ্ঞাতভাবে parameters intuitively explain করার জন্য আমরা আমাদের পরীক্ষা নিরীক্ষা,প্যারামিটার সেটিংয়ের দৃয়তা প্রমাণ করতে আমরা  Botswana data-set এর  two experimental curve diagrams তালিকাবদ্ধ করি। Fig. 2 shows শ্রেণিবদ্ধকরণ যখন প্রতিটি স্তরে, বনের সংখ্যা পরিবর্তিত হয়,  প্রতিটি জঙ্গলে 500 টি গাছ থাকে। The curves in Fig. 3 show  সংখ্যা rof trees পরিবর্তন করার সময়  classification performance  influence দেখায় এবং ক্যাসকেড কাঠামোর প্রতিটি স্তরের 2 টি বন থাকে। উভয়ই figures illustrate করে যে parameter changes গুলি ক্লাসিকেশন কর্মক্ষমতাতে খুব কম প্রভাব ফেলে।

high accuracy/উচ্চ নির্ভুলতা নিশ্চিত করার পরিস্থিতিতে প্রশিক্ষণের সময় হ্রাস করার জন্য, আমাদের পরীক্ষায় প্রতিটি স্তরে একটি করে RF and one C-RTF  নিযুক্ত করা হয়, এবং প্রতিটি বনে 500 টি গাছ থাকে। তুলনার ন্যায্যতা নিশ্চিত করার জন্য, 500 টি গাছ RF and one C-RTF  অ্যালগরিদমে টেস্ট করা হয়েছে। PCA-SVM, HSI classification-র জন্য default parameters গুলি অবলম্বন করে, On Slinas dataset, CNN-LR sets 3 convolution layers  সেট করে।The learning rate is 0.01, and the number of iterations is 1000. On Botswana data, CNN-LR set 3 convolution layers. The learning rate is 0.001,  and the number of iterations is 800 (শিক্ষার হার 0.01 এবং number of iterations/পুনরাবৃত্তির সংখ্যা 1000। শেখার হার 0.001, এবং পুনরাবৃত্তির সংখ্যা 800)

3.3 Experimental Results and Analysis

উপস্থাপিত মডেলগুলির সাথে comprehensively compare  তুলনা করতে overall accuracy (OA) , average accuracy (AA), accuracy of each category (CA) এবং kappa coefficient কর্মক্ষমতা ব্যবস্থা হিসাবে ব্যবহৃত হয়। প্রাপ্ত ফলাফলগুলি 10 বারের মধ্যে গড় মান এবং মানক বিচ্যুতি গ্রহণ করে। সারণী 1 এবং সারণী 2-তে বোল্ড ফন্ট সংখ্যাগুলি বিভিন্ন অ্যালগরিদমের দ্বারা প্রাপ্ত ডেটার সেরা মান উপস্থাপন করে

Table 1 shows করে যে PCA-DF   Slinas dataset   OA, AA and kappa coefficient  সেরা মান পায়।  Fig. 4 থেকে, আমরা সংক্ষেপে বলতে পারি যে PCA-DF -এর three coefficients উপাদান অন্যান্য অ্যালগরিদমের তুলনায় বেশি, এটি নির্দেশ করে যে PCA-DF ,  HSI classification-র জন্য superb performance /দুর্দান্ত পারফরম্যান্সের অধিকারী। যেহেতু deep forest  RF and C-RTF-র আরও উন্নতির সাথে মিলে যায়, তাই এটি OA তে 0.31% এবং 0.60% উন্নত করে, এবং CA-তে PCA-RF and PCA-RTF-র চেয়ে আরও ভাল সম্পাদন করে , এটি চিত্রিত করে যে এই দুটি ভিত্তিগত পদ্ধতিতে HSI শ্রেণিবদ্ধকরণে আরও প্রশংসনীয় ক্ষমতা রয়েছে এবং RF and C-RTF-র ভিত্তিতে গভীর বন উন্নত হয়েছে,এটি Salinas dataset  দুর্দান্ত দক্ষতা অর্জন করে।CNN-LR, PCA-DF সাথে তুলনা করা হলে,  PCA-DF কয়েকটি বিভাগে কম নমুনা সহ বেশি প্রভাবশালী।  The categories, such as “Fal-low”,“Fallow_ rough_ plow”, and “Vinyard _untrained_ trellis” are small-scale categories/বিভাগগুলি, যেমন "ফল-লো", "ফিল-রুট_ লাঙ্গল", এবং "ভিনিয়ার্ড _ট্রেইনড ট্রেলিস" ছোট আকারের বিভাগগুলি,যাতে training samples গুলির অভাবে CNN-LR র যথাযথ শ্রেণিবদ্ধকরণ হ্রাস পায়। Compared with the traditional algorithm, PCA-DF, also has the better classification results than PCA-SVM.

On the Botswana/বোতসোয়ানা dataset, as is shown in Fig. 5,  PCA DF algorithm always gets the best values of OA, AA and kappa coefficient.  Table 2 indicates that PCA-DF achieved higher classification accuracy in most categories.  Even more important, due to Botswana is smaller, than Slinas dataset,  CNN-LR, OA   PCA-DF-র তুলনায় 1.86% কম নিয়ে সন্তোষজনকভাবে পারফরম্যান্স করে না।  presented method এ  PCA-SVM and CNN-LR-র জন্য, এটিও লক্ষ করা উচিত যে ফলাফলের vast/বৃহত সংখ্যাগরিষ্ঠ CA উপস্থাপিত পদ্ধতির চেয়ে নিম্নতর। deep forest and CNN  উভয়ই multi-layered depth frameworks । deep learning র প্রথম দিকের CNN-এর চেয়ে গভীর বনের শ্রেষ্ঠত্বকে পুরোপুরি পুনরায় নির্ধারণ করার জন্য, চলমান সময়ের নিরিখে একটি তুলনা করা হয়। As Table 3 shows,

CPU তে এই HSI শ্রেণিবদ্ধের জন্য deep forest  অ্যালগরিদম চালানো GPU তে CNN চালানোর চেয়ে কম সময় নেয়, এটি প্রকাশ করে যে CNN র চেয়ে শ্রেণিবদ্ধের গতিতে deep forest  বেশি প্রভাবশালী।

Table 3: The comparison of running time between PCA-DF and CNN-LR algorithms for HSI classification

The above experimental results fully show the superiority of deep forest in HSI classification, and they are very satisfactory both in accuracy and speed. 

উপরের পরীক্ষামূলক ফলাফলগুলি সম্পূর্ণরূপে এইচএসআই শ্রেণিবদ্ধের গভীর বনের শ্রেষ্ঠত্ব প্রদর্শন করে এবং যথার্থতা এবং গতি উভয় ক্ষেত্রেই তারা অত্যন্ত সন্তোষজনক।

4  Conclusion and Future Work

এই কাগজে, হাইপারস্পেকট্রাল ডেটাগুলির শ্রেণিবদ্ধকরণের জন্য গভীর বন প্রয়োগ করা হয়।স্পেকট্রাল বৈশিষ্ট্যগুলি কাঁচা ডেটার জন্য dimensionality  হ্রাস করার জন্য PCA  অ্যালগরিদম দ্বারা প্রথমত বের করা হয় এবং তারপরে প্রতিটি উদাহরণ deep forest  প্রবেশের জন্য 1-D ভেক্টরে রূপান্তরিত হয়। deep forest-র কারণে কম parameters গুলির সুবিধা রয়েছে, সহজ গঠন, এবং উচ্চ শ্রেণিবদ্ধকরণ নির্ভুলতা, HSIs গুলির শ্রেণিবদ্ধকরণের জন্য কিছু সাধারণ পদ্ধতির তুলনায় এটি আরও নির্ভরযোগ্য করে তোলেন। প্রস্তাবিত পদ্ধতির কার্যকারিতা আরও প্রমাণ করার জন্য, আমরা HSI শ্রেণিবদ্ধে দুটি বেসিক অ্যালগরিদম ((RF and C-RTF)) অনুসন্ধান করেছি। একই সময়ে, গভীর বনের মধ্যে HSI শ্রেণিবদ্ধের জন্য traditiona SVM অ্যালগরিদমের তুলনায় উচ্চতর শ্রেণিবদ্ধকরণের যথার্থতা রয়েছে। In the field of deep learning, আমরা CNN অ্যালগরিদমের সাথে তুলনা করি। PCA-DF কেবল শ্রেণিবদ্ধকরণের ক্ষমতার সুযোগটিই দখল করে না,  শ্রেণিবদ্ধ গতিতে CNN-LR  ছাড়িয়ে যায়। উপরের দিক থেকে দেখানো হয়েছে যে গভীর বনের HSI শ্রেণিবদ্ধের জন্য প্রশংসনীয় আবেদন রয়েছে। ভবিষ্যতের কাজগুলিতে, আমরা HSI শ্রেণিবদ্ধের জন্য গভীর অরণ্যে স্থানিক তথ্য গ্রহণ করব এবং multi-grained scanning structure কে একত্রিত করে গভীর বন মডেলের আরও উন্নতির দিকে মনোনিবেশ করব।

Acknowledgments

This work is partially supported by the National Nature Science Foundation of China (Grant Nos. 61603355and61773355), National Nature Science Foundation of Hubei Province, China (Grant No. 2018CFB528), the Fundamental Research Funds for National University, China University of Geosciences (Wuhan). under grant No. G1323541717. We would also like to appreciate Dr. Jingxiang Yang from Northwestern Polytechnical University for his help

References

[1] Y.S.Chen,X.Zhao,andZ.H.Lin,OptimizingsubspaceSVM ensemble for hyperspectral imagery classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4): 1295–1305, 2014. 

[2] S. Delalieux, B. Somers, and B. Haest, Heathland conservation status mapping through integration of hyperspectral mixture analysis and decision tree classifiers, Remote Sensing of Environment, 126(4): 222–231, 2012. 

[3] A. Plaza, J. A. Benediktsson, and J. W. Boardman, Recent advances in techniques for hyperspectral image processing, Remote Sensing of Environment, 113(9): 110–122, 2009. 

[4] M. Fauvel, J. A. Benediktsson, and J. Chanussot, Spectral and spatialclassificationofhyperspectraldatausingSVMsandGabor textures, 2011 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2011-Proceedings, 1708–1711, 2011. 

[5] X. Guo, X. Hunag, and L. F. Zhang, Support tensor machines for classification of hyperspectral remote sensing imagery, IEEE Transactions on Geoscience and Remote Sensing, 54(6): 3248–3264, 2016. 

[6] O. Russakovsky, J. Deng, and H. Su, ImageNet large scale visual recognition challenge, International Journal of Computer Vision, 115(31): 211–252, 2015. 

[7] Q. J. Liu, L. H. Jing, and M. F. Wang, Hyperspectral remote sensingimageclassificationbasedonSVMoptimizedbyclonal selection, Guang Pu Xue Yu Guang Pu Fen Xi/Spectroscopy and Spectral Analysis, 33(3): 746–751, 2013. 

[8] J.S.Xia,P.Ghamisi,andN.Yokoya,Randomforestensembles and extended multiextinction profiles for hyperspectral imageclassification, IEEE Transactions on Geoscience and Remote Sensing, 2017. 

[9] J. X. 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, 2017. 

[10] Y. S. Chen, X. Zhao, and X. P. 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, 2015. 

[11] G. E. Dahl, T. N. Sainath, and G. E. Hinton, Improving deep neural networks for LVCSR using rectified linear units and dropout,ICASSP,IEEEInternationalConferenceonAcoustics, SpeechandSignalProcessing-Proceedings,8609–8613,2013. 

[12] Z. H. Zhou, and J. Feng, Deep forest: Towards an alternative to deep neural networks, IJCAI International Joint Conference on Artificial Intelligence, 3553–3559, 2017. 

[13] L. V. Utkin, M. A. Ryabinin, A siamese deep forest, Knowledge-Based Systems, 139: 13–22, 2018. 

[14] X.Y.Zhu,Y.X.Yan,andY.A.Liu,Applicationofdeepforest model for flame detection, Computer Engineering, 2017. 

[15] Y. O. Ouma, and R. Tateishi, Urban-trees extraction from quickbird imagery using multiscale spectex-filtering and nonparametric classification, ISPRS Journal of Photogrammetry and Remote Sensing, 63(3): 331–351, 2008. 

[16] T. D. Sanger, A tree-structured adaptive network for function approximation in high-dimensional spaces, IEEE Transactions on Neural Networks, 2(2): 285–293, 1991. 

[17] I. k. Sethi, Entropy nets: From decision trees to neural networks, Proceedings of the IEEE, 78(10): 1605–1613, 1990. 

[18] S.J.Huang,R.Jin,andZ.H.Zhou,  Active learning by querying informative and representative examples, IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(10): 1936–1949, 2014. 

[19] Y.S.Chen,Z.H.Lin,andX.Zhao,Deep learning-based classification of hyperspectral data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6): 2094–2107, 2014. 

[20] F. Aguera, F. J. Aguilar, and M. A. Aguilar, Using texture analysis to improveper-pixelclassificationofveryhighresolutionimagesformappingplasticgreenhouses,ISPRSJournalof Photogrammetry and Remote Sensing, 63(6): 635–646, 2008. 

[21] G. Bilgin, S. Erturk, and T. Yildirim, Segmentation of hyperspectral imagesviasubtractivec luster in gandclustervalidation using one-class support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 49(8): 2936–2944, 2011. 

[22] Y. Tarabalka, J. A. Benediktsson, and J. Chanussot, Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques, IEEE Transactions on Geoscience and Remote Sensing, 47(8): 2973–2987, 2009.