ハイパースペクトル画像の分類は、リモートセンシング研究領域における重要な応用であり、ハイパースペクトル画像内の各ピクセルに所属カテゴリを割り当てることを目指しています。近年、対比学習アルゴリズムは、データの重要な特徴を掘り起こす能力が良いため、ハイパースペクトル画像の分類タスクに広く使用されています。 しかし、一方で、現在の半教師付き対比学習アルゴリズムは、通常、ネットワークを2段階でトレーニングする方法を採用し、事前トレーニング段階で同じクラスのオブジェクトを負のサンプルと定義することを避けるのが難しいため、そのクラスのサンプル間の特徴距離が大きくなることがよくあります。また、対比学習アルゴリズムは通常、クリッピング、回転などのデータ拡張方法を使用して正のサンプルを生成するため、生成された正のサンプルの多様性が制約されることがあります。 上記の問題に対処するために、本論文では、マルチスケール監督対比学習ベースのハイパースペクトル画像分類ネットワークを提案しています。この方法は、マルチスケール対比特徴学習ネットワークをベースに、スペクトル特徴とマルチスケール空間特徴を階層的に抽出し、クラスレベルの対比戦略を構築し、同じクラスのサンプルが異なるスケールで一貫した特徴表現を示すようにし、特徴空間内の正のサンプルをさらに近づけ、クラス内データをより集中させます。次に、空波混合確率に基づく合成分類ネットワークを提案し、スペクトルと空間情報の内在的関連性をキャプチャする適応メカニズムを設計し、特徴の統合の重みを動的に調整して正確な分類結果を達成します。 3つのリモートセンシングハイパースペクトルデータセットで実験を行った結果、本研究の方法は他の主流のディープラーニング手法と比較してより優れた分類パフォーマンスを示しました。

リモートセンシング; ハイパースペクトル画像; 画像分類; 対比学習; 空波特徴統合; アテンションメカニズム