La classification d'images hyperspectrales vise à attribuer à chaque pixel d'une image hyperspectrale une catégorie correspondante, et constitue une application importante dans le domaine de la télédétection. Ces dernières années, en raison de sa capacité à extraire efficacement des données clés sur les propriétés des sols, l'apprentissage par contraste est largement utilisé dans la tâche de classification d'images hyperspectrales. Cependant, la plupart des paradigmes actuels d'apprentissage par contraste auto-supervisé utilisent une formation en deux étapes, ce qui rend difficile d'éviter de définir des objets de la même classe comme échantillons négatifs lors de la phase de pré-formation, ce qui entraîne souvent une augmentation des écarts intra-classes. De plus, les algorithmes d'apprentissage par contraste utilisent généralement des méthodes d'augmentation des données telles que le rognage et la rotation pour générer des échantillons positifs, et limitent la diversité des échantillons positifs générés. Pour résoudre ce problème, cet article propose un réseau de classification d'images hyperspectrales basé sur un apprentissage par contraste supervisé à plusieurs échelles. Plus concrètement, l'article propose un réseau d'apprentissage de caractéristiques de contraste multi-échelles qui extrait des caractéristiques spectrales et spatiales à différents niveaux, et met en place une stratégie de contraste de classe pour représenter les échantillons de la même classe à différentes échelles comme un regroupement dense et cohérent, réduisant ainsi davantage la distance entre les échantillons positifs dans l'espace des caractéristiques et rendant les données intraclasses plus cohérentes. Ensuite, l'article propose un réseau de classification fusionnant l'espace et le spectre basé sur la probabilité de mélange, conçoit un mécanisme adaptatif pour ajuster dynamiquement les poids de fusion des caractéristiques, exploitant la relation potentielle entre le spectre et l'information spatiale pour obtenir des résultats de classification précis. Les résultats des expériences sur les ensembles de données hyperspectrales Houston 2013, WHU-Hi-LongKou et Pavia University montrent que l'approche proposée présente des performances de classification plus élevées par rapport à d'autres méthodes de deep learning.

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