الشبكات العصبية التشغيلية لتحقيق رفع الدقة الطيفية الفائق بكفاءة في عدد المعاملات

تصوير الطيف الفائق هو أداة أساسية في الاستشعار عن بعد، حيث يلتقط معلومات طيفية تفوق بكثير ما توفره الصور الملونة التقليدية. إلا أن زيادة المعلومات الطيفية تأتي على حساب انخفاض الدقة المكانية. ويعد رفع الدقة الفائق تقنية شائعة تهدف إلى توليد نسخة عالية الدقة من صورة منخفضة الدقة. تعتمد معظم طرق رفع الدقة الحديثة على الشبكات العصبية الالتفافية، إلا أن الالتفاف بحد ذاته عملية خطية، وتعتمد الشبكات على دوال التفعيل غير الخطية بعد كل طبقة لتوفير اللاخطية اللازمة لتعلم الدوال المعقدة. وهذا يؤدي إلى أن تكون الشبكات العصبية الالتفافية عميقة جداً لتحقيق النتائج المرجوة. مؤخراً، تم اقتراح الشبكات العصبية التشغيلية ذاتية التنظيم، والتي تهدف إلى تجاوز هذا القيد من خلال استبدال المرشحات الالتفافية بدوال غير خطية قابلة للتعلم باستخدام متسلسلة ماكلورين. يركز هذا العمل على توسيع مرشحات الالتفاف في نموذج رفع الدقة الفائق الشائع إلى مرشحات تشغيلية أكثر قوة لتعزيز أداء النموذج على الصور الطيفية الفائقة. كما ندرس تأثير التوصيلات المتبقية وأنواع التطبيع المختلفة على هذا النوع من الشبكات المحسنة. على الرغم من أن عدد معاملات الشبكات التشغيلية أقل من نظيراتها من الشبكات الالتفافية، إلا أن نتائجنا تظهر أن الشبكات التشغيلية تحقق أداءً متفوقاً في رفع الدقة الفائق على مجموعات بيانات الصور الطيفية الصغيرة. الكود متاح على Github: https://github.com/aulrichsen/SRONN.