전통적인 딥러닝 방법이 고스펙트럼 이미지에서 깊이 추상화된 정보만을 추출하고 샘플 간의 국부 기하학적 구조 관계를 충분히 밝혀내지 못해 분류 성능 향상이 제한된다는 점을 감안하여, 본 논문에서는 새로운 특징 추출 네트워크인 깊은 다양체 재구성 신뢰 네트워크를 제안한다. 해당 네트워크는 먼저 딥 신뢰 네트워크를 통해 깊이 추상화된 특징을 추출하며, 추상화된 특징의 판별력을 더욱 향상시키기 위해 그래프 임베딩 프레임워크 하에서 샘플 데이터의 이웃점과 각 이웃의 동류 근접 재구성 점을 통해 클래스 내 그래프와 클래스 간 그래프를 구성한다. 저차원 공간에서 클래스 간 이웃점과 그 재구성 점을 분리하는 동시에 클래스 내 이웃점과 해당 재구성 점을 압축하여 깊은 판별 특징을 추출하여 서로 다른 클래스 데이터의 가분성을 개선하고 지물 분류 정확도를 향상시킨다. KSC 및 MUUFL Gulfport 고스펙트럼 데이터셋에서 수행한 실험 결과, 본 알고리즘의 전체 분류 정확도는 각각 94.71%와 86.38%에 달했다. 다른 알고리즘과 비교할 때, 본 알고리즘은 지물 분류 능력을 효과적으로 향상시켜 실제 응용에 더욱 적합하다.

고스펙트럼 원격 탐사; 지물 분류; 특징 추출; 딥 신뢰 네트워크; 다양체 학습