La clasificación de imágenes hiperespectrales tiene como objetivo asignar a cada píxel en una imagen hiperespectral una categoría correspondiente, y es una aplicación importante en el campo de la teledetección. En los últimos años, debido a su capacidad para extraer de manera eficiente datos clave sobre las propiedades del suelo, el aprendizaje por contraste se utiliza ampliamente en la tarea de clasificación de imágenes hiperespectrales. Sin embargo, la mayoría de los paradigmas actuales de autoaprendizaje por contraste requieren un entrenamiento de dos etapas, lo que dificulta evitar la definición de objetos de la misma clase como muestras negativas en la fase de preentrenamiento, lo que a menudo conduce a un aumento de las brechas intraclase. Además, los algoritmos de aprendizaje por contraste suelen utilizar métodos de aumento de datos como el recorte y la rotación para generar muestras positivas, y limitan la diversidad de las muestras positivas generadas. Para resolver este problema, este artículo propone una red de clasificación de imágenes hiperespectrales basada en un aprendizaje por contraste supervisado a múltiples escalas. Más concretamente, el artículo propone una red de aprendizaje de características de contraste multi-escala que extrae características espectrales y espaciales en diferentes niveles, y establece una estrategia de contraste de clase para representar las muestras de la misma clase a diferentes escalas como un agrupamiento denso y coherente, reduciendo aún más la distancia entre las muestras positivas en el espacio de características y haciendo que los datos intracategóricos sean más coherentes. Luego, el artículo propone una red de clasificación que fusiona el espacio y el espectro basada en la probabilidad de mezcla, diseña un mecanismo adaptativo para ajustar dinámicamente los pesos de fusión de características, explotando la relación potencial entre el espectro y la información espacial para obtener resultados de clasificación precisos. Los resultados de los experimentos en los conjuntos de datos hiperespectrales Houston 2013, WHU-Hi-LongKou y Pavia University muestran que el enfoque propuesto presenta un rendimiento de clasificación más alto en comparación con otros métodos de aprendizaje profundo.

imágenes hiperespectrales; clasificación de imágenes; aprendizaje por contraste; fusión de características espaciales; mecanismo de atención