定義
ハイパースペクトルイメージング：ハイパースペクトル画像は典型的には、不可視画像情報の多数を検出するために、リモートセンシング技術を有する、全体の電磁スペクトルにわたって情報を収集し、処理され
カプセルのネットワーク：
伝統CNNsは、ハイパースペクトル画像（HSI）の分類に良い効果を持っているが、伝統的なCNNsはスペースを見つけるために - 上記の分光特性の接触面積との間に障害物があります。（スペクトルは - 連絡先の空間特性を解決するために、HSIのビジョンのハイグレードの複雑さの鍵となります）
解決する前に情報やデータのデバッグパラメータを大量に使用することです。
私たちは、スペクトル上に構築 - 新しい宇宙カプセルCNNネットワーク構造を見つけるために、パラメータの複雑さを軽減するために
、スペクトルユニット（SS）遠隔HSIデータ区分に捧げられて - 私たちはモデル単位カプセル（カプセル単位）を定義CNNは、空間を変更します
このモデルは、以下のモジュールで構成されてい
-
スペース - カプセルスペクトル：物理的な場所、連絡先はスペースを考慮することによって特徴付けることができ、その可能な伝送、SSを探しに特徴
データの5選択されたセットは、他の方法と比較します
主な目的：リモートセンシングスペクトル情報の照合、電子マイクロ科学として
主に問題を解決するために
-
複雑性の高いデータ
-
トレーニングデータの量の制限
問題の原因
-
センサ情報が大きすぎた、と必然的擾乱挙動の限界があります
-
トレーニングセットの利用可能性が限られている符（あまり明確ではない読んで）
3次元ベクトルを用いた計算方法として
畳み込みニューラルネットワークは、低レベルの特徴、およびさらにより高度な機能をフィルタリングすることができます
しかし、そうであっても、異なる場所または制限との関係を取得するには、
そしてスペースは、共通層低下を有し、中間データは前記下層と上層との間にリンクがあることを示し
一般的な低レベルの動作の例は、特徴空間の大きさ、位置の重要情報の必然的な損失に基づい
小さな変化に適応することができません、あなたは、2つのオブジェクト間の関係にはできません
前述の改良されたプロセスの一部：
-
それが改善することができていても、ネットワークの深さを使用しますが、正確に一致したデータの多くを必要と
密なネットワーク残差とそのネットワークは、この問題を解決しようとしています
-
残留ネットワーク：上部から既知の特徴を得るために彼を可能にするために、ベースモジュールとして処理ブロックを使用して
-
密なネットワーク：以前に特徴付けで定義されたマッピング構造
-
キャップネットワーク：の可能性を示すベクトルにエンコードされたデータとの間の関係
それ以来、私たちはかなりのネットワークを確立する複雑さを軽減するための時間を削減しながらCapsNets CNN、高速HSIの分類に基づく新規考えます
我々のモデルは、特定のSS機能のリンク間HSIdataに各カプセルの可能性を推定することができます
また、SS間の特性を観察することによって（点の場所を介して相互に対応する）の範囲を提供するために、対応する変換パラメータを経験
最終的に、ネットワーク抽象化の高いレベルで、HSIを特徴付ける入力データは、最終的に戻って減少させるために、私たちを有効にすることができ、回転の複雑さ（バックプロパゲーション？）層と継承モデルの数を、そう速くGPUは、操作を実行でき
各モジュールの記事の説明：
-
ⅡCNNの利点と限界
-
私たちは、3つのモデルのアプローチを説明します
-
IVおよび他の方法の比較
-
いくつかの考慮事項と今後の研究の方向性への5つのヒント
-