La classification des images hyperspectrales vise à attribuer une catégorie à chaque pixel dans une image hyperspectrale et est une application importante dans le domaine de la télédétection. Ces dernières années, les algorithmes d'apprentissage par contraste sont largement utilisés dans la tâche de classification des images hyperspectrales en raison de leur capacité à extraire efficacement les caractéristiques clés des données. Cependant, les algorithmes d'apprentissage par contraste rencontrent actuellement le problème de définir des objets d'une même classe comme des échantillons négatifs lors de la phase de pré-entraînement, ce qui entraîne souvent un élargissement de la distance entre les caractéristiques des échantillons de la même classe. De plus, les algorithmes d'apprentissage par contraste utilisent généralement des méthodes d'augmentation des données telles que le rognage et la rotation pour créer des échantillons positifs, ce qui limite la diversité des échantillons positifs. Pour résoudre ces problèmes, cet article propose un réseau de classification d'images hyperspectrales basé sur l'apprentissage par contraste multiphase. Cette méthode extrait les caractéristiques spectrales et spatiales multi-échelles couche par couche et construit une stratégie de contraste de classe, permettant aux échantillons de la même classe de présenter des caractéristiques cohérentes à différentes échelles, rapprochant ainsi les caractéristiques positives dans l'espace des caractéristiques et renforçant ainsi l'agrégation des données intra-classe. Ensuite, un réseau de fusion de probabilité mélange spectre-espace a été proposé, concevant un mécanisme adaptatif ajustant dynamiquement le poids de la fusion des caractéristiques pour capturer la relation interne entre le spectre et l'information spatiale, permettant ainsi d'obtenir des résultats de classification précis. Des expériences et vérifications ont été menées sur 3 ensembles de données hyperspectrales de télédétection, et les résultats montrent que la méthode de cet article présente des performances de classification plus avantageuses que d'autres méthodes de deep learning.

télédétection ; images hyperspectrales ; classification d'images ; apprentissage par contraste ; fusion des caractéristiques spectrales ; mécanisme d'attention