Précédent|Prochain

Réseau de classification d'images hyperspectrales basé sur l'apprentissage par contraste multiphase

  • role： First author第一作者
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

  • Email：wqdong@xidian.edu.cn
  • Introduction：董文倩，研究方向为多源遥感影像智能处理。E-mail： wqdong@xidian.edu.cn
DONG Wenqian,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

WANG Hao,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

  • Email：jhqu@xidian.edu.cn
  • Introduction：曲家慧，研究方向为遥感图像处理、多源融合分类。E-mail： jhqu@xidian.edu.cn
QU Jiahui*,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

HOU Shaoxiong,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

LI Yunsong

résumé

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.

mots-clés

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

References

  1. 1.
    Archibald R and Fann G. 2007. Feature selection and classification of hyperspectral images with support vector machines. IEEE Geoscience and Remote Sensing Letters, 4(4): 674-677
  2. 2.
    Dong W Q, Liu S, Xiao S, Qu J H and Li Y S. 2024. ISPDiff: interpretable scale-propelled diffusion model for hyperspectral image super-resolution. IEEE Transactions on Geoscience and Remote Sensing, 62: 5519614
  3. 3.
    Fu Y, Liu H R, Zou Y H, Wang S, Li Z X and Zheng D Z. 2024. Category-level band learning-based feature extraction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 62: 5503916
  4. 4.
    Gu Y T, Wang Y T and Li Y S. 2019. A survey on deep learning-driven remote sensing image scene understanding: scene classification, scene retrieval and scene-guided object detection. Applied Sciences, 9(10): 2110
  5. 5.
    Guo T, Wang R Z, Luo F L, Gong X W, Zhang L and Gao X B. 2023. Dual-view spectral and global spatial feature fusion network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 61: 5512913
  6. 6.
    Hou S K, Shi H Y, Cao X H, Zhang X H and Jiao L C. 2022. Hyperspectral imagery classification based on contrastive learning. IEEE Transactions on Geoscience and Remote Sensing, 60: 5521213
  7. 7.
    Huang K S, Li S T, Kang X D and Fang L Y. 2016. Spectral–spatial hyperspectral image classification based on KNN. Sensing and Imaging, 17(1): 1
  8. 8.
    Li D, Kong F Q and Zhu D Y. 2021. Hyperspectral image classification based on local Gaussian mixture feature extraction. Acta Optica Sinica, 41(6): 0610001
  9. 9.
    Li J, Bioucas-Dias J M and Plaza A. 2012. Spectral–spatial hyperspectral image segmentation using subspace multinomial logistic regression and markov random fields. IEEE Transactions on Geoscience and Remote Sensing, 50(3): 809-823
  10. 10.
    Li R, Zheng S Y, Duan C X, Yang Y and Wang X Q. 2020. Classification of hyperspectral image based on double-branch dual-attention mechanism network. Remote Sensing, 12(3): 582
  11. 11.
    Li W and Du Q. 2015. Support vector machine with adaptive composite kernel for hyperspectral image classification//Proceedings of SPIE 9501, Satellite Data Compression, Communications, and Processing XI. Baltimore: SPIE: 95010O
  12. 12.
    Liu B, Yu A Z, Yu X C, Wang R R, Gao K L and Guo W Y. 2021. Deep multiview learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 59(9): 7758-7772
  13. 13.
    Mai S J, Zeng Y and Hu H F. 2023. Learning from the global view: supervised contrastive learning of multimodal representation. Information Fusion, 100: 101920
  14. 14.
    Makantasis K, Karantzalos K, Doulamis A and Doulamis N. 2015. Deep supervised learning for hyperspectral data classification through convolutional neural networks//Proceedings of 2015 IEEE International Geoscience and Remote Sensing Symposium. Milan: IEEE: 4959-4962
  15. 15.
    Peng J T, Jiang X, Chen N and Fu H J. 2019. Local adaptive joint sparse representation for hyperspectral image classification. Neurocomputing, 334: 239-248
  16. 16.
    Peng Y, Hou C B, Zhang Y B, Lin Y, Gui G, Gacanin H, Mao S W and Adachi F. 2023. Supervised contrastive learning for RFF identification with limited samples. IEEE Internet of Things Journal, 10(19): 17293-17306
  17. 17.
    Qu J H, Dong W Q, Yang Y F, Zhang T Z, Li Y S and Du Q. 2024a. Cycle-refined multidecision joint alignment network for unsupervised domain adaptive hyperspectral change detection. IEEE Transactions on Neural Networks and Learning Systems, 36(2): 2634-2647
  18. 18.
    Qu J H, Liu X Y, Dong W Q, Liu Y, Zhang T Z, Xu Y and Li Y S. 2024b. Progressive multi-iteration registration-fusion co-optimization network for unregistered hyperspectral image super-resolution. IEEE Transactions on Geoscience and Remote Sensing, 62: 5519814
  19. 19.
    Rajarajeswari P, Hemashri R, Jayapriya S and Ravikumar M M. 2020. Hyperspectral image classification by using K-nearest neighbor algorithm. International Journal of Psychosocial Rehabilitation, 24(5): 5068-5074
  20. 20.
    Seifi S, Reino D O, Chumerin N and Aljundi R. 2024. OOD aware supervised contrastive learning//Proceedings of 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). Waikoloa: IEEE: 1945-1955
  21. 21.
    Song T Q, Zong D, Liu T X, Fan H S, Huang T J, Jiang X X and Wang H Y. 2022. Hyperspectral image classification of the deep neural network based on 3D convolution and dense connection. National Remote Sensing Bulletin, 26(11): 2317-2328
  22. 22.
    Song W W, Li S T, Kang X D and Huang K S. 2016. Hyperspectral image classification based on KNN sparse representation//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing: IEEE: 2411-2414
  23. 23.
    Sun L, Zhao G R, Zheng Y H and Wu Z B. 2022. Spectral–spatial feature tokenization transformer for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5522214
  24. 24.
    Wang X W, Zhou H, Zhang M H and Zhu Y W. 2023. Hyperspectral image classification based on Swin Transformer and 3D residual multilayer fusion network. Computer Science, 50(5): 155-160
  25. 25.
    Wei X P, Yu X C, Zhang P Q, Zhi L and Yang F. 2020. CNN with local binary patterns for hyperspectral images classification. Journal of Remote Sensing (in Chinese), 24(8): 1000-1009
  26. 26.
    Yang X, Chi Y, Zhou Y T and Wang Y. 2023. Spectral-spatial attention bilateral network for hyperspectral image classification. National Remote Sensing Bulletin, 27(11): 2565-2578
  27. 27.
    Yang Y G, Qu J H, Dong W Q, Zhang T Z, Xiao S and Li Y S. 2024. TMCFN: text-supervised multidimensional contrastive fusion network for hyperspectral and LiDAR classification. IEEE Transactions on Geoscience and Remote Sensing, 62: 5511015
  28. 28.
    Zhang J and Bao W X. 2022. Research on classification method of hyperspectral remote sensing image based on Generative Adversarial Network. National Remote Sensing Bulletin, 26(2): 416-430
  29. 29.
    Zhang Q, Zhao C Y and Chen X R. 2022. Technical progress and development trend of geological hazards early identification with multi-source remote sensing. Acta Geodaetica et Cartographica Sinica, 51(6): 885-896
  30. 30.
    Zhang Y C, Zheng X T and Lu X Q. 2023. Hyperspectral image classification method based on hierarchical transformer network. Acta Geodaetica et Cartographica Sinica, 52(7): 1139-1147
  31. 31.
    Zhang Y Q, Cao G, Li X S and Wang B S. 2018. Cascaded random forest for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(4): 1082-1094
  32. 32.
    Zhao Z Y, Xu X, Li S T and Plaza A. 2024. Hyperspectral image classification using groupwise separable convolutional vision transformer network. IEEE Transactions on Geoscience and Remote Sensing, 62: 5511817
  33. 33.
    Zhu M Z, Fan J Y, Yang Q H and Chen T. 2022. SC-EADNet: a self-supervised contrastive efficient asymmetric dilated network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5519517

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website