فهم متقدم لتصنيف السحب النقاط متعددة الأطياف: إطار عمل مبتكر يجمع بين الأبعاد الهندسية والطفيفية

في عالم التصنيف الجغرافي، تُعتبر السحب النقاط متعددة الأطياف (Multispectral Point Clouds - MPC) من بين أهم التجهيزات التي توفر معلومات ثلاثية الأبعاد غنية ومتنوعة. ومع ذلك، فإن التحديات المتعلقة بقوة نماذج التصنيف تكمن في خصائص هذه المعلومات، مثل الأبعاد العالية، وتوزيع العينات غير المتوازن، والتشابه الطيفي بين الفئات.

لتجاوز هذه التحديات، تم تطوير إطار عمل مبتكر لتعلم الخصائص الهندسية والطفيفية يعتمد على التقنية الحديثة المعروفة باسم آليات الانتباه (Attention Mechanisms). يُعتبر هذا الإطار نقطة تحول في كيفية معالجة وتحليل بيانات السحب النقاط. يتكون هذا النظام من مسارين مزدوجين تجمع بين الفهم الطيفي والخصائص الهندسية.

المسار الأول يركز على استخراج الخصائص الطيفية العامة المدعومة بالتشفير المكاني، ما يعزز القدرة التمثيلية للمعلومات. بينما يتضمن المسار الثاني استخدام الهرمونات متعددة النواة (Multikernel Point Convolution) لاستخراج الميزات الهندسية المدعومة بالطيف. وأخيرا، تم تطوير كتلة دمج الانتباه المتبقي (Residual Attention Fusion Block) التي تدمج الخصائص الأكثر معلوماتية من كلا المسارين، مما يوفر فهمًا أكثر عمقًا للبيانات.

واحدة من المساهمات البارزة في هذا العمل هي دالة الخسارة المشتركة (Joint Loss Function) التي تعزز قدرة النموذج على التعلم من العينات غير المتوازنة.

أظهرت التجارب على مجموعتين من البيانات حجم كبير من الفعالية مقارنة بأفضل الأساليب المتاحة حاليًا، مما يعد خطوة نوعية نحو تحسين دقة التصنيف. كما يمكن للباحثين والمطورين الوصول إلى الشيفرة والمجموعات المستخدمة في هذا البحث من خلال الرابط التالي: [https://github.com/HITlixian/TGRS_GSFF].

ماذا تعتقد في هذا التطور؟ هل تعتقد أن هذه التقنية ستغير طريقة التعرف على البيانات الطيفية؟ شاركونا في التعليقات!