একটি সম্পূর্ণ spatial-spectral hyperspectral sample গুলি জেনারেট করতে, নমুনা জেনারেশনের জন্য প্রস্তাবিত CBG-GAN যা চিত্রটিতে দেখানো হয়েছে। প্রস্তাবিতCBG-GAN একটি two-stage এর ক্যাসকেড নেটওয়ার্কের চারটি উপাদান নিয়ে গঠিতঃ স্থানিক তথ্য জেনারেশনের জন্য Generator G1 এবং Discriminator D1, বর্ণালী তথ্য জেনারেশনের জন্য জেনারেটর G2 এবং বৈষম্যমূলক D2। যদিও virtual sampleগুলি ডেটা বৃদ্ধির জন্য দরকারী। তবে অপ্রয়োজনীয় জেনারেশন প্রবলেম নমুন জেনারেশনের কার্যকারিতা সীমাবদ্ধ করে। এই ক্ষেত্রে, আমরা সমস্যাটি সমাধানের জন্য CBG-GAN পদ্ধতি প্রস্তাব করেছি।

প্রস্তাবিত CBG-GAN-এর মূল কাঠামো চিত্রটিতে দেখানো হয়েছে, যা band selection net and the generation net (Generator G and Discriminator D) নিয়ে গঠিত। নমুনা জেনারেশনের জন্য কম রিন্ডন্ডেন্সির সাথে তথ্যমূলক ব্যান্ড সাবসেট নির্বাচন করতে ব্যান্ড নির্বাচন নেট ব্যবহার করা হয়। জেনারেশন নেট ব্যান্ড নির্বাচনের পরে স্থানিক তথ্য এবং বর্ণালী তথ্য সহ ভার্চুয়াল ডেটা ব্লক তৈরি করতে ব্যবহৃত হয়। এছাড়াও, জেনারেট্নর নেট লেবেলের ইনপুট অনুসারে সংশ্লিষ্ট নমুনা তৈরি করতে পারে।

ভিজ্যুয়ালাইজেশনের চিত্রটি CBG-GAN দ্বারা লেবেল 1 থেকে লেবেল 9 পর্যন্ত উত্পন্ন হাইপারস্পেকট্রাল নমুনাগুলি দেখায়, যা পাভিয়া বিশ্ববিদ্যালয় ডেটাসেটে প্রতিটি লেবেলের স্থানিক-বর্ণালী তথ্য প্রদর্শনের ক্ষমতা সজ্জিত করে।

1. CBG-GAN-তে, ব্যান্ড নির্বাচনের মডেল এবং জেনারেটাল অ্যাডভারসিয়াল নেট-এর মডেল প্রথমবারের জন্য দক্ষ এবং সম্পূর্ণ ভার্চুয়াল নমুনা জেনারেট করার জন্য একত্রিত হয়।

২. পাভিয়া বিশ্ববিদ্যালয় ডেটাসেটে ভিজ্যুয়ালাইজেশন এবং যাচাইকরণ সহ পরীক্ষামূলক ফলাফল প্রস্তাবিত CBG-GAN পদ্ধতির বাস্তবিক জেনারেশন দক্ষতার পরিচয় দেয়।

৩. convolutional layer গুলি মডেল প্যারামিটারগুলির কে অনুকূলকরণের জন্য spectral normalization সাথে সেট করা হয়, যাতে মডেল ভেঙ্গে যাওয়ার সম্ভাবনা হ্রাস করে।