تصاویر ابرطیفی اخذ شده توسط سامانه‌های سنجش از دور به دلیل وجود داده‌های باارزش طیفی در بازه‌ی وسیعی از طول موج دارای قدرت بالایی در آشکارسازی اهداف هستند. علاوه بر اطلاعات طیفی، این تصاویر دارای اطلاعات مکانی باارزشی هستند که در تشخیص دقیق هدف از پس‌زمینه موثر است. یکی از چالش‌های اصلی آشکارسازی اهداف، وجود تعداد نمونه‌های آموزشی محدود هدف است. جهت مقابله با این چالش، یک آشکارساز مبتنی بر شبکه عصبی کانولوشن (CNN) در این مقاله مورد ارزیابی قرار گرفته است. به جای استفاده از تک پیکسل‌ها، تکه‌ها‌ی مکعبی با اطلاعات مکانی در دو بعد و اطلاعات طیفی در بعد سوم به عنوان ورودی آشکارساز استفاده می‌شوند. CNN با قابلیت بالا در استخراج ویژگی‌های سلسله مراتبی مکانی دقت خوبی را در خروجی حاصل می‌کند. جهت حل مشکل تعداد نمونه‌های آموزشی محدود از شبکه مولد رقابتی (GAN) برای تولید تکه‌های تصویر مکعبی جعلی مشابه با تکه‌های مکعبی مفروض حول پیکسل‌های هدف واقعی استفاده شده است. اثر داده افزایی با GAN در آشکارساز CNN با مقادیر مختلف داده‌افزایی در حالت بعد کامل و بعد کاهش یافته مورد ارزیابی قرار گرفته است. نتایج آزمایش‌ها نشان‌دهنده‌ی دقت بالاتر CNN نسبت به روش‌های پرکاربرد آشکارسازی و همین‌طور بهبود دقت آشکارساز CNN به کمک داده‌افزایی انجام شده توسط GAN می‌باشد.