Die Klassifizierung hyperspektraler Bilder zielt darauf ab, jedem Pixel in einem hyperspektralen Bild eine entsprechende Kategorie zuzuweisen und ist eine wichtige Anwendung im Bereich der Fernerkundung. In den letzten Jahren werden Kontrastlernalgorithmen aufgrund ihrer Fähigkeit, Schlüsselfunktionen von Daten effektiv zu extrahieren, häufig in der Aufgabe der Klassifizierung hyperspektraler Bilder eingesetzt. Allerdings sehen sich derzeit Kontrastlernalgorithmen mit dem Problem konfrontiert, Objekte derselben Klasse als negative Proben in der Vorphase des Trainings zu definieren, was häufig zu einer Vergrößerung des Abstands zwischen den Funktionen von Proben derselben Klasse führt. Darüber hinaus verwenden Kontrastlernalgorithmen in der Regel Methoden zur Datenanreicherung, wie z.B. Beschneidung und Rotation, um positive Proben zu erstellen, was die Vielfalt der positiven Proben einschränkt. Zur Lösung dieser Probleme schlägt dieser Artikel ein Netzwerk zur Klassifizierung hyperspektraler Bilder auf der Grundlage des Multi-Scale-Kontrastlernens vor. Diese Methode extrahiert schichtweise spektrale und räumliche Merkmale bei mehreren Maßstäben und baut eine Klassenkontraststrategie auf, die es Proben derselben Klasse ermöglicht, konsistente Merkmale in verschiedenen Masstäben zu zeigen, um positive Funktionen im Merkmalsraum näher zu bringen und das Datenclustering innerhalb der Klasse zu stärken. Dann wurde ein Wahrscheinlichkeitsfusionsspektrum-Raum-Netzwerk vorgeschlagen, das einen adaptiven Mechanismus entwirft, um das Gewicht der Merkmalsfusion dynamisch anzupassen, um die innere Beziehung zwischen dem Spektrum und der räumlichen Information zu erfassen, um genaue Klassifikationsergebnisse zu erzielen. Experimente und Überprüfungen wurden an 3 Sets von hyperspektralen Fernerkundungsdaten durchgeführt, und die Ergebnisse zeigen, dass die Methode dieses Artikels eine leistungsfähigere Klassifikationsleistung aufweist als andere gängige Tiefenlernmethoden.

Fernerkundung; hyperspektrale Bilder; Bildklassifizierung; Kontrastlernen; Fusion spektraler Merkmale; Aufmerksamkeitsmechanismus