Die Klassifizierung von Hyperspektralbildern zielt darauf ab, jedem Pixel in einem Hyperspektralbild eine entsprechende Kategorie zuzuweisen, und ist eine wichtige Anwendung im Bereich der Fernerkundung. In den letzten Jahren wird aufgrund seiner Fähigkeit, wichtige Daten über die Eigenschaften des Bodens effizient zu extrahieren, das Kontrastlernen häufig in der Aufgabe der Klassifizierung von Hyperspektralbildern eingesetzt. Die meisten aktuellen Paradigmen des selbstüberwachten Kontrastlernens erfordern jedoch ein zweistufiges Training, was es schwierig macht, Objekte derselben Klasse als negative Proben in der Vorab-Trainingsphase zu definieren, was häufig zu einer Zunahme der innerklassen Differenzen führt. Darüber hinaus verwenden Kontrastlernalgorithmen in der Regel Methoden zur Datenerweiterung wie Beschneiden und Drehen, um positive Proben zu generieren, und schränken die Vielfalt der generierten positiven Proben ein. Um dieses Problem zu lösen, schlägt dieser Artikel ein Netzwerk zur Klassifizierung von Hyperspektralbildern basierend auf einem mehrstufigen überwachten Kontrastlernen vor. Konkret schlägt der Artikel ein Netzwerk für mehrstufiges Kontrastmerkmalslernen vor, das spektrale und räumliche Merkmale auf verschiedenen Ebenen extrahiert und eine Klassenkontraststrategie aufbaut, um Proben derselben Klasse in verschiedenen Maßstäben als dichte und kohärente Repräsentation darzustellen, was den Abstand zwischen positiven Proben im Merkmalsraum weiter verringert und die innerklassendaten zusammenfasst. Anschließend schlägt der Artikel ein Netzwerk zur Verschmelzung von Raum und Spektrum auf der Grundlage der Mischwahrscheinlichkeit vor, entwirft einen adaptiven Mechanismus zur dynamischen Anpassung der Verschmelzungsgewichte von Merkmalen, der die potenzielle Verbindung zwischen Spektrum und räumlicher Information ausnutzt, um genaue Klassifizierungsergebnisse zu erzielen. Die Ergebnisse von Experimenten mit Hyperspektraldatensätzen von Houston 2013, WHU-Hi-LongKou und Pavia University zeigen, dass der vorgeschlagene Ansatz eine höhere Klassifikationsleistung im Vergleich zu anderen gängigen Deep Learning Methoden aufweist.

hyperspektrale Bilder; Bildklassifizierung; Kontrastlernen; Verschmelzung räumlicher Merkmale; Aufmerksamkeitsmechanismus