Классификация гиперспектральных изображений направлена на назначение каждому пикселю в гиперспектральном изображении соответствующей категории и является важным приложением в области дистанционного зондирования. В последние годы алгоритмы контрастного обучения широко используются в задаче классификации гиперспектральных изображений из-за их способности хорошо извлекать ключевые особенности данных. Однако алгоритмы контрастного обучения в настоящее время сталкиваются с проблемой определения объектов из одного класса как отрицательных образцов на этапе предварительной обработки, что часто приводит к увеличению расстояния между особенностями образцов из того же класса. Кроме того, алгоритмы контрастного обучения обычно используют методы аугментации данных, такие как обрезка и вращение, для создания положительных образцов, что снижает разнообразие положительных образцов. Для решения этих проблем данная статья предлагает сеть классификации гиперспектральных изображений на основе наблюдения за несколькими масштабами контрастного обучения. Этот метод извлекает спектральные особенности и особенности многомасштабного пространства на уровне пошагового извлечения особенностей и строит стратегию контрастного уровня, что позволяет представлять образцы одного и того же класса в однородном виде в разных масштабах, и таким образом, ближе подходит к положительным особенностям в пространстве особенностей, укрепляя кластеризацию данных внутри класса. Затем была предложена сеть смешанной вероятности контрастного объединения спектра, разработан механизм адаптивного динамического регулирования веса объединения особенностей для захвата внутренней связи спектра и пространственной информации, что позволяет достичь точных результатов классификации. Эксперименты и их проверки были проведены на 3 наборах гиперспектральных данных удаленного зондирования, и результаты показали, что данный метод в данной статье проявляет более превосходную производительность классификации по сравнению с другими основными методами глубокого обучения.

дистанционное зондирование; гиперспектральные изображения; классификация изображений; контрастное обучение; смешанное соединение спектральных особенностей; механизм внимания