Im Bereich der Bildverarbeitung gewinnen künstliche neuronale Netze immer mehr an Bedeutung. Obwohl das zugrunde liegende Konzept seit längerer Zeit existiert, waren sie vor allem in den letzten Jahren sehr erfolgreich. Dazu hat maßgeblich die gestiegene Rechenleistung beigetragen, die es erlaubt, Netze aus vielen Schichten zu trainieren (Deep Learning). Besonders gute Ergebnisse im Bereich der Bildverarbeitung haben Convolutional Neural Networks (CNNs) erzielt, bei denen die Daten mit einem Faltungskern gefaltet werden. CNNs besitzen häufig auch Pooling-Schichten, bei denen weniger relevante Informationen verworfen werden.

Hyperspektrale Bilder, die eine hohe spektrale Auflösung besitzen, haben ihren Ursprung in der Fernerkundung. Sie werden jedoch auch immer häufiger in industriellen Prozessen eingesetzt, wie beispielsweise zur Defekterkennung.

In dieser Forschung geht es darum, zu untersuchen, wie hyperspektrale Bilder mit Hilfe von Methoden des Deep Learnings verarbeitet werden können. Durch die hohe Zahl an Farbkanälen entstehen Probleme, die bei Farbbildern mit drei Kanälen nicht auftreten. Zum einen werden dadurch größere Faltungskerne und damit mehr Parameter benötigt, zum anderen existieren für hyperspektrale Bilder wenig gekennzeichnete Daten. Dadurch besteht die Gefahr, dass beim Training die Parameter zu stark an die Trainingsdaten angepasst werden (Overfitting) und dadurch schlechte Ergebnisse mit neuen Daten erzielt werden. Deshalb werden Methoden untersucht, die mit möglichst wenig gekennzeichneten Daten auskommen und trotzdem geeignete Merkmale erlernen können. Solche Methoden gehören oft zum Bereich des nicht überwachten Lernens.