A classificação de imagem hiperespectral visa atribuir uma categoria a cada pixel em uma imagem hiperespectral e é uma aplicação importante no campo da sensoriamento remoto. Nos últimos anos, devido à sua capacidade de explorar as características-chave dos dados, os algoritmos de aprendizado por contraste são amplamente utilizados em tarefas de classificação de imagens hiperespectrais. No entanto, por um lado, os algoritmos de aprendizado por contraste semi-supervisionado usam principalmente um esquema de treinamento em duas etapas para treinar redes, o que dificulta evitar a definição de objetos da mesma classe como amostras negativas na etapa de pré-treinamento, o que frequentemente resulta no aumento da distância entre as características das amostras da mesma classe. Além disso, os algoritmos de aprendizado por contraste geralmente geram amostras positivas por meio de métodos de aumento de dados, como recorte e rotação, o que limita a diversidade das amostras positivas geradas. Para lidar com esses problemas, este artigo propõe uma rede de classificação de imagem hiperespectral baseada em aprendizado por contraste supervisionado multiescala. Este método extrai características espectrais e espaciais em várias escalas com base em uma rede de aprendizado de características de contraste multiescala e constrói uma estratégia de contraste de nível de classe para fazer com que as amostras da mesma classe exibam representações de características consistentes em diferentes escalas, aproximando ainda mais as amostras positivas no espaço de características e tornando os dados intraclasse mais concentrados. Em seguida, propomos uma rede de fusão de classificação orientada por probabilidade de mistura espacial e espectral e projetamos um mecanismo adaptativo para ajustar dinamicamente o peso da fusão de características, capturando a relação intrínseca entre as informações espectrais e espaciais e alcançando resultados de classificação precisos. Experimentos realizados em 3 conjuntos de dados hiperespectrais de sensoriamento remoto mostram que o método deste artigo apresenta desempenho de classificação mais superior em comparação com outros métodos comuns de aprendizado profundo.

Sensoriamento remoto; Imagem hiperespectral; Classificação de imagem; Aprendizado por contraste; Fusão de características espectrais; Mecanismo de atenção