하이퍼스펙트럼 이미지 분류는 초분광 이미지에서 각 픽셀에 대한 범주를 할당하는 것을 목적으로 하는 원격 감지 연구 분야의 중요한 응용 프로그램이다. 최근에는 대비 학습 알고리즘의 우수한 데이터 핵심 특징을 발굴하는 능력 때문에 종종 고분광 이미지 분류 작업에 널리 사용되고 있다. 그러나 한편으로 현재의 반지도 대비 학습 알고리즘은 주로 네트워크를 두 단계로 교육하는 방법을 사용하여 사전 훈련 단계에서 동일한 클래스의 물체를 부정적인 샘플로 정의하는 것을 피하기 어렵다는 문제가 있다. 종종 그 클래스 샘플 간의 특징 거리가 멀어지도록 한다. 또한 대비 학습 알고리즘은 일반적으로 자르기, 회전 등의 데이터 강화 방법을 사용하여 양성 샘플을 생성하게 되어 생성된 양성 샘플의 다양성이 제한된다. 위 문제에 대해 본 논문은 다중 스케일 지도 대비 학습 기반의 고분광 이미지 분류 네트워크를 제안한다. 이 방법은 다중 스케일 대비 특징 학습 네트워크를 기반으로 분광 특징과 다중 스케일 공간 특징을 계층적으로 추출하며, 클래스 수준 대비 전략을 구축하여 동일한 클래스 샘플이 다른 크기에서 일관된 특징 표현을 보이도록 하여 특성 공간의 양성 샘플을 더 집결되도록 한다. 그런 다음, 공성 스펙트럼 혼합 확률 지도 융합 분류 네트워크를 제시하고, 스펙트럼과 공간 정보 사이의 내재적 관련성을 캡처하기 위한 적응적 메커니즘을 설계하여 특성 융합의 가중치를 동적으로 조정하여 정확한 분류 결과를 달성한다. 3 개의 원격 감지 초분광 데이터 세트에서 실험을 수행한 결과, 본 논문의 방법은 다른 주류 심층 학습 방법과 비교하여 더 우수한 분류 성능을 나타내었다.

원격 감지; 초분광 이미지; 이미지 분류; 대비 학습; 공성 특징 융합; 주의 메커니즘