عادةً ما يفترض تصنيف الصور الطيفية الفائقة أن بيانات التدريب والاختبار تشترك في نفس الفئات، ولا توجد فئات مجهولة في مجموعة الاختبار، لكن هذا الافتراض مثالي للغاية في البيئات الحقيقية. نظرًا لصغر الفروق بين فئات بيانات الطيف الفائق وتداخل توزيع الخصائص، مما يؤدي إلى مشكلة خلط الحدود، تم اقتراح طريقة تصنيف مفتوحة للصور الطيفية الفائقة تجمع بين التعلم التبايني وDenseNet. يستخدم وحدة استخراج الميزات الطيفية لأخذ ميزات الأبعاد الطيفية الأصلية، ومن خلال DenseNet يتم تحقيق تبادل معلومات الخصائص متعددة المستويات، كما يستخدم وحدة الانتقال لضغط قنوات الطيف لتشكيل توزيعات حدود الفئات بشكل أوضح. يتم تحويل خصائص الإخراج إلى وحدة استخراج الميزات المكانية لأخذ ميزات الأبعاد المكانية، وبمساعدة ResNet يتم التقاط الهيكل المكاني المحلي لتعزيز إدراك معلومات الهيكل المكاني. تم إدخال التعلم التبايني لتعزيز التكتل داخل الفئة والفصل بين الفئات، وبالاقتران مع آلية استخراج عينات صعبة لتحسين خصائص الحدود المربكة، مما يعزز قدرة النموذج على التمييز بين عينات منطقة الحدود. أخيرًا، أظهرت التجارب على مجموعات بيانات Houston2013، جامعة Pavia، WHU-Hi-LongKou أن الطريقة المُقدمة حققت دقة تصنيف أعلى للفئات المجهولة بلغت 68.81%، 69.24%، 59.26%، ودقة تصنيف كلية بلغت 89.49%، 95.06%، 95.03% على التوالي، محققة تحسينًا فعالًا في التعرف على الفئات المجهولة مع الحفاظ على دقة عالية للفئات المعروفة.

الصور الطيفية الفائقة;مجموعة مفتوحة;DenseNet;التعلم التبايني;استخراج العينات الصعبة