A classificação de imagens hiperespectrais (Hyperspectral Image, HSI) baseada em redes neurais convolucionais enfrenta o problema do grande número de parâmetros da rede e a escassez de amostras rotuladas. Para tratar essas questões, foi proposta uma metodologia de classificação de imagens hiperespectrais baseada em aprendizado ativo e rede de agrupamento por clusters (AL-CGNet). AL-CGNet utiliza aprendizado ativo e clustering junto com redes neurais convolucionais para extração e classificação de características do HSI, projetando um modelo de rede leve baseado em convoluções agrupadas para reduzir o número de parâmetros da rede. Para as imagens hiperespectrais reduzidas dimensionalmente por Análise Discriminante Linear (Linear Discriminant Analysis, LDA), aplica-se um algoritmo de clustering K-médias em mini-lotes para dividir em diferentes clusters, representando cada cluster pelas características espectrais do centro, aproveitando informações de amostras não rotuladas. Na rede agrupada, o mapa de características gerado é dividido ao longo da dimensão espectral em uma série de grupos, cada grupo extraindo sequencialmente características espaço-espectrais por meio de múltiplos blocos residuais. Essa estratégia de agrupamento utiliza plenamente a redundância e diversidade das bandas, reduz os parâmetros da rede e permite leveza. Finalmente, o aprendizado ativo é utilizado para selecionar amostras com grande conteúdo informativo como conjunto de treinamento, solucionando o problema da escassez de amostras rotuladas. Os resultados experimentais mostram que AL-CGNet obtém resultados claramente superiores aos métodos ClusterCNN, SSRN e HybridSN nos conjuntos de dados Indian Pines, Botswana e Houston com 6% das amostras de treinamento, com OAs de 99,57%, 99,23% e 98,82%, respectivamente, sendo eficaz mesmo com apenas 5% das amostras. O método não só melhora significativamente a eficiência da classificação de HSI, como também possibilita a extração eficiente de características com alta precisão.

classificação de imagens hiperespectrais; redes neurais convolucionais; convolução agrupada; clustering; leveza