Deep Learning Techniques for Hyperspectral Image Analysis in Agriculture: A Review

要約

タイトル: 農業における超スペクトルイメージ解析のための深層学習技術：レビュー

要約:
– 近年、 hyperspectral imaging (HSI) は、特に農業分野においてリモートセンシングの問題を解決する潜在的な可能性のために、コンピュータビジョンの研究者の間で注目を集めています。
– しかし、HSI分類は、高いスペクトルバンドの冗長性、限られたトレーニングサンプル数、そして空間的位置とスペクトルバンドの非線形関係により、複雑なタスクです。
– 幸いにも、Autoencoders、Convolutional Neural Networks （1D、2D、および 3D）、Recurrent Neural Networks、Deep Belief Networks、および Generative Adversarial Networks などの深層学習手法は、HSI解析で有望な結果を示しています。
– この文献レビューでは、これらのアプローチの農業における最近の応用について、 Indian Pines、Salinas Valley、および Pavia University などのよく知られた土地被覆データセット上での評価と議論を行います。

要約(オリジナル)

In the recent years, hyperspectral imaging (HSI) has gained considerably popularity among computer vision researchers for its potential in solving remote sensing problems, especially in agriculture field. However, HSI classification is a complex task due to the high redundancy of spectral bands, limited training samples, and non-linear relationship between spatial position and spectral bands. Fortunately, deep learning techniques have shown promising results in HSI analysis. This literature review explores recent applications of deep learning approaches such as Autoencoders, Convolutional Neural Networks (1D, 2D, and 3D), Recurrent Neural Networks, Deep Belief Networks, and Generative Adversarial Networks in agriculture. The performance of these approaches has been evaluated and discussed on well-known land cover datasets including Indian Pines, Salinas Valley, and Pavia University.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI