تهدف تصنيف الصور الطيفية إلى تخصيص فئة لكل بكسل في الصورة الطيفية، وهو تطبيق مهم في مجال الاستشعار عن بعد. في السنوات الأخيرة، تم استخدام التعلم التشبهي على نطاق واسع في مهمة تصنيف الصور الطيفية بسبب قدرته على استخراج السمات البيانات الحاسمة بشكل جيد. ومع ذلك، فإن البارادايمات الحالية للتعلم التشبهي الذاتي تعتمد بشكل كبير على تدريب الشبكة في مرحلتين، مما يجعل من الصعب تجنب تحديد نفس صنف الكائن كعينة سلبية في مرحلة التدريب المسبق، ويؤدي في كثير من الأحيان إلى زيادة الفوارق داخل الفئة. بالإضافة إلى ذلك، تعتمد خوارزميات التعلم التشبهي بشكل عام على طرق تعزيز البيانات مثل القص والدوران لإنشاء عينات إيجابية، وتحديد العينات الإيجابية عند توليدها مقيد. من أجل حل هذه المشكلة، قدمت هذه الورقة شبكة تعلم التشكيل المزدوج المشرفة على مقياس متعدد لتصنيف الصور الطيفية. وبشكل محدد، قدمت هذه الورقة شبكة تعلم التشكيل المزدوج المشرفة على مقياس متعدد تستخرج سمات الطيف وسمات الفضاء من البكسل على مستوى متعدد الطبقات، وبنت استراتيجية تشابه فئة تجمع العينات من نفس فئة وبأحجام مختلفة على تمثيل متماسك، مما يقلل بشكل أكبر من المسافة بين عينات الفئة الإيجابية في المساحة المميزة، ويجعل بيانات الفئة أكثر تجمعا. بعد ذلك، قدمت الورقة شبكة دمج الفضاء والطيف بمرشد احتمال الخليط، وصممت آلية تكييف الوزن الديناميكي لدمج السمات، مما يستخرج الصلة الكامنة بين الطيف والمعلومات الفضائية، وبالتالي تحقيق نتائج تصنيف دقيقة. تظهر نتائج التجارب على مجموعات البيانات سيتي هيوستن لعام 2013 وجامعة Pavia وجامعة WHU-Hi-LongKou للصور الطيفية مذكرة الورقة أداءً أفضل من الطرق الرئيسية الأخرى للتعلم العميق.

صور طيفية; تصنيف الصور; تعلم التشبه; دمج ملامح الفضاء; آلية التركيز