Нейросетевой метод коррекции пространственно-спектральной чувствительности щелевого гиперспектрометра

Предложен нейросетевой метод обучаемой пространственно–спектральной коррекции чувствительности щелевого гиперспектрометра. В отличие от традиционных подходов к калибровке, основанных на выравнивании регистрируемого сигнала, отраженного от однородно освещенного «эталонного» объекта (имеющего ламбертовскую поверхность), вдоль направления длины щелевой диафрагмы прибора с использованием заранее рассчитанных коэффициентов, предлагаемый подход к калибровке реализован в виде слоёв нейронной сети, параметры которых оптимизируются совместно с моделью классификации в процессе обучения. Разработаны три типа обучаемых калибровочных слоев, с использованием обучаемой матрицы калибровочных коэффициентов, ее частичной полиномиальной аппроксимации и векторной факторизации. Экспериментальная оценка проведена на гиперспектральных изображениях, зарегистрированных при близких, но не идентичных условиях съёмки. Калибровочные слои интегрированы в 3D-свёрточную сеть и пространственно–спектральный трансформер. Эксперименты показали устойчивое повышение качества классификации относительно базовых моделей без калибровки: прирост точности для метрики accuracy составил от 0,59 % до 14,27 %, а для F1-score – от 0,17 % до 10,98 %. Также разработан алгоритм применения калибровочных слоев для предобработки данных с последующим обучением немодифицированных базовых моделей, что существенно расширяет применимость предложенного подхода.