従来の深層学習手法は高分光画像から深い抽象情報のみを抽出し、サンプル間の局所的な幾何構造関係を十分に明らかにできず、分類性能の向上が制限されていることを踏まえ、本論文では新たな特徴抽出ネットワークである深層多様体再構成信頼ネットワークを提案する。本ネットワークはまず深層信頼ネットワークを用いて深い抽象特徴を抽出し、抽象特徴の識別能力をさらに高めるために、グラフ埋め込みの枠組みの下でサンプルデータの近傍点および各近傍の同類近隣再構成点を用いてクラス内グラフとクラス間グラフを構築する。低次元空間においてクラス間近隣点とその再構成点を分離しつつ、クラス内近隣点とそれに対応する再構成点を圧縮することで、深い識別特徴を抽出し、異なるクラスのデータの分離可能性を改善し、地物分類精度を向上させる。KSCおよびMUUFL Gulfportの高分光データセット上の実験結果は、本アルゴリズムの総合分類精度がそれぞれ94.71％および86.38％に達したことを示している。他のアルゴリズムと比較して、本アルゴリズムは地物分類能力を効果的に向上させ、実用的な応用に適している。

高分光リモートセンシング;地物分類;特徴抽出;深層信頼ネットワーク;多様体学習