انتخاب باند، یک گام مهم در پردازش تصاویر فراطیفی است که بهعنوان ترکیبی از روش جستجوی باند و معیار ارزیابی دیده می‌شود. روش‌های مبتنی‌بر یادگیری عمیق موجود، ممکن است منجر به یک مسئله‌ی بهینه‌سازی حل‌نشدنی شوند. علاوه بر این، نیاز به آموزش مکرر شبکه‌های عمیق برای ارزیابی زیرمجموعه‌های باند نامزد دارند. در این پژوهش، یک الگوریتم یادگیری تقویتی عمیق برای انتخاب باند نیمه‌نظارتی فراطیفی مورد‌بررسی قرار می‌گیرد. جستجوی باند، بهعنوان یک فرآیند تصمیم‌گیری متوالی در‌نظر گرفته می‌شود که در آن هر حالت در فضای جستجو، یک زیرمجموعه‌ی باند ممکن است. برای ارزیابی هر حالت، یک شبکه‌ی عصبی پیچشی نیمه‌نظارتی با اضافه کردن محدودیت فشردگی درون‌کلاسی نمونه‌های برچسب‌گذاری‌شده و بدون برچسب کافی ساخته می‌شود. نتایج تجربی بر روی مجموعه‌داده‌ها‌ی تصاویر فراطیفی، اثربخشی و کارایی الگوریتم‌های مورد‌بررسی برای انتخاب باند فراطیفی را نشان می‌دهد.
