畳み込みニューラルネットワークに基づく高スペクトル画像（Hyperspectral Image、HSI）分類は、ネットワークパラメータ数が多く、ラベル付きサンプルが少ないという課題に直面している。これらの問題に対し、能動学習とクラスタリンググループネットワークに基づく高スペクトル画像分類手法（AL-CGNet）を提案する。AL-CGNetは、能動学習とクラスタリングを組み合わせた畳み込みニューラルネットワークを用いてHSIの特徴抽出と分類を行い、ネットワークパラメータ数を削減するためにグループ畳み込みに基づく軽量化ネットワークモデルを設計した。線形判別分析（Linear Discriminant Analysis、LDA）で次元削減した高スペクトル画像には、小バッチK平均クラスタリングアルゴリズムを適用して異なるクラスタに分割し、クラスタ中心のスペクトル特徴で各クラスタを代表させ、ラベルなしサンプルの情報を利用する。グループネットワークでは、生成された特徴マップをスペクトル次元に沿って複数のグループに分割し、各グループは複数の残差ブロックを経て空間−スペクトル特徴を逐次抽出する。このグルーピング戦略は帯域の冗長性と差異性を十分に活用し、ネットワークパラメータを削減して軽量化を実現する。最後に、能動学習を用いて情報量の多いサンプルをトレーニングサンプルセットとして選択し、ラベル付きサンプルの不足問題を解決する。実験結果は、AL-CGNetが同じ6%の訓練サンプルを用いた場合、Indian Pines、Botswana、Houstonの3つのデータセットでClusterCNN、SSRN、HybridSNなどの手法に比べて分類結果が顕著に高く、それぞれOAは99.57%、99.23%、98.82%であり、訓練サンプルがさらに少ない5%の小サンプルの場合でも有効であることを示した。本手法はHSIの分類効率を大幅に向上させるだけでなく、高精度な特徴抽出を効率的に実現できる。

高スペクトル画像分類;畳み込みニューラルネットワーク;グループ畳み込み;クラスタリング;軽量化