تهدف تصنيف الصور الطيفية إلى تخصيص فئة لكل بكسل في الصور الطيفية، وهو تطبيق مهم في مجال الاستشعار عن بعد. في السنوات الأخيرة، تم استخدام خوارزميات تعلم المقارنة على نطاق واسع في مهمة تصنيف الصور الطيفية بسبب قدرتها الجيدة على استخراج السمات الرئيسية للبيانات. ومع ذلك، فإن خوارزميات تعلم المقارنة غير المراقبة تعاني في الوقت الحالي من مشكلة تعريف الكائن من نفس الفئة كعينات سلبية في مرحلة التدريب وهذا يؤدي غالباً إلى توسيع المسافة بين السمات بين عينات الفئة ذاتها. إلى جانب ذلك، تعتمد خوارزميات تعلم المقارنة عادةً على تعزيز البيانات مثل القص والدوران لإنشاء عينات إيجابية، مما يقيد تنوع العينات الإيجابية. لحل هذه المشكلة، يقترح هذا النص تقديم شبكة تصنيف الصور الطيفية بناءً على تعلم المقارنة المراقب على متعدد المقاييس. تقوم هذه الطريقة بموجات استخراج الميزات الطيفية والميزات المتعددة المقاييس على المستوى وضع استراتيجية المقارنة على مستوى الفئة. وهذا يسمح بتمثيل العينات في نفس الفئة بشكل متجانس في مختلف المقاييس، وبالتالي، يقرب الميزات الإيجابية في الفضاء المميز بشكل أكبر، مما يجعل تجميع البيانات الفئوية أكثر تجمعاً. ثم، يقترح النص شبكة دمج توجيه احتمال الطيف الفارغ، ويصمم آلية الانسجام التي تعدل ديناميكيًا وزن الدمج للصفات لالتقاط الضوء على العلاقة الداخلية بين الطيف والمعلومات المكانية، مما يؤدي إلى الحصول على نتائج تصنيف دقيقة. يتم تنفيذ التجارب والتحقق منها على 3 مجموعات بيانات طيفية بعيدة المدى، وتظهر النتائج أن الطريقة المقترحة في هذا النص تظهر أداء تصنيف أفضل مقارنةً بالطرق الأخرى الرئيسية لتعلم العمق.

استشعار عن بعد؛ الصور الطيفية؛ تصنيف الصور؛ تعلم المقارنة؛ دمج الميزات الفارغة؛ آلية الانتباه