Классификация гиперспектральных изображений направлена на присвоение каждому пикселю в гиперспектральном изображении соответствующего класса и является важным приложением в области дистанционного зондирования. В последние годы из-за его способности хорошо извлекать ключевые данные о свойствах почвы, метод сравнительного обучения широко применяется в задаче классификации гиперспектральных изображений. Однако большинство текущих парадигм самообучения на основе сравнения требует двухэтапного обучения сети, что затрудняет избежание определения объектов одного класса как отрицательных образцов на этапе предварительного обучения, что часто приводит к увеличению разрывов внутри классов. Кроме того, алгоритмы сравнительного обучения обычно используют методы увеличения данных, такие как обрезка и вращение, для генерации положительных образцов, и ограничивают разнообразие сгенерированных положительных образцов. Для решения указанных проблем в этой статье предложена сеть классификации гиперспектральных изображений, основанная на многоуровневом супервизированном сравнительном обучении. Конкретно, предложена сеть многоуровневого обучения сравнения, которая извлекает спектральные и пространственные особенности на разных уровнях, и создает стратегию сравнения на уровне классов для представления образцов из одного класса с различными масштабами в качестве плотного и последовательного, что дополнительно сокращает расстояние между положительными образцами в пространстве особенностей и делает данные внутри класса более собранными. Затем предложена сеть объединенной классификации, направленная на смешивание пространственной и спектральной информации с использованием механизма адаптивного динамического регулирования весов объединения, который извлекает потенциальную связь между спектром и пространственной информацией и обеспечивает точные результаты классификации. Результаты экспериментов на наборах данных гиперспектральных изображений Houston 2013, WHU-Hi-LongKou и Pavia University показывают, что предложенный подход демонстрирует более высокую производительность классификации по сравнению с другими основными методами глубокого обучения.

гиперспектральные изображения; классификация изображений; сравнительное обучение; объединение пространственных особенностей; механизм внимания