합성곱 신경망 기반의 고광대역 이미지(Hyperspectral Image, HSI) 분류는 네트워크 매개변수가 많고 라벨이 있는 샘플이 적은 문제에 직면해 있다. 이러한 문제를 해결하기 위해 능동 학습과 클러스터 그룹 네트워크 기반의 고광대역 이미지 분류 방법(AL-CGNet)을 제안한다. AL-CGNet은 능동 학습과 클러스터링을 결합한 합성곱 신경망을 사용하여 HSI의 특징 추출과 분류를 수행하며, 네트워크 매개변수를 줄이기 위해 그룹화된 합성곱 기반의 경량 네트워크 모델을 설계했다. 선형 판별 분석(Linear Discriminant Analysis, LDA)로 차원 축소된 고광대역 이미지는 미니배치 K-평균 클러스터링 알고리즘을 사용하여 서로 다른 클러스터로 나누며, 클러스터 중심의 스펙트럼 특징이 각 클러스터를 대표하여 라벨 없는 샘플의 정보를 활용한다. 그룹 네트워크에서는 생성된 특징 맵을 스펙트럼 축을 따라 여러 그룹으로 나누고, 각 그룹은 여러 잔차 블록을 통해 공간-스펙트럼 특징을 순차적으로 추출한다. 이러한 그룹화 전략은 밴드 간 중복성과 차별성을 충분히 활용하여 네트워크 매개변수를 줄이고 경량화를 실현한다. 마지막으로, 능동 학습을 통해 정보량이 많은 샘플을 훈련 샘플 집합으로 선택하여 라벨이 적은 문제를 해결한다. 실험 결과 AL-CGNet은 동일한 비율인 6% 훈련 샘플 사용 시 Indian Pines, Botswana, Houston 세 데이터셋에서 ClusterCNN, SSRN, HybridSN 등 방법보다 분류 성능이 현저히 우수하며, 훈련 샘플이 5%로 더 적은 소샘플 조건에서도 효과적이었다. 이 방법은 HSI 분류 효율성을 크게 향상시키며 높은 정밀도와 함께 효율적인 특징 추출을 가능하게 한다.

고광대역 영상 분류; 합성곱 신경망; 그룹 합성곱; 클러스터링; 경량화