Anterior|Siguiente

Red de clasificación de imágenes hiperespectrales basada en el aprendizaje por contraste multitarea

  • role： First author第一作者
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

  • Email：wqdong@xidian.edu.cn
  • Introduction：董文倩，研究方向为多源遥感影像智能处理。E-mail： wqdong@xidian.edu.cn
DONG Wenqian,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

WANG Hao,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

  • Email：jhqu@xidian.edu.cn
  • Introduction：曲家慧，研究方向为遥感图像处理、多源融合分类。E-mail： jhqu@xidian.edu.cn
QU Jiahui*,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

HOU Shaoxiong,  
  • Affiliation：

    State Key Laboratory of Integrated Services Networks, Xidian University, Xi'an 710071, China

LI Yunsong

resumen

La clasificación de imágenes hiperespectrales tiene como objetivo asignar una categoría a cada píxel en una imagen hiperespectral y es una aplicación importante en el campo de la teledetección. En los últimos años, los algoritmos de aprendizaje por contraste se utilizan ampliamente en la tarea de clasificación de imágenes hiperespectrales debido a su capacidad para extraer eficazmente las características clave de los datos. Sin embargo, los algoritmos de aprendizaje por contraste actualmente enfrentan el problema de definir objetos de la misma clase como muestras negativas en la etapa de preentrenamiento, lo que a menudo conduce a un aumento de la distancia entre las características de las muestras de la misma clase. Además, los algoritmos de aprendizaje por contraste suelen utilizar métodos de aumento de datos como recorte y rotación para crear muestras positivas, lo que limita la diversidad de las muestras positivas. Para resolver estos problemas, este artículo propone una red de clasificación de imágenes hiperespectrales basada en el aprendizaje por contraste multitarea. Este método extrae características espectrales y espaciales a múltiples escalas capa por capa y construye una estrategia de contraste de clase, permitiendo que las muestras de la misma clase presenten características consistentes a diferentes escalas, acercando así las características positivas en el espacio de características y fortaleciendo la agregación de datos intraclase. Luego, se propuso una red de fusión de probabilidad que mezcla el espectro-espacio, diseñando un mecanismo adaptativo que ajusta dinámicamente el peso de fusión de características para capturar la relación interna entre el espectro y la información espacial, permitiendo así obtener resultados de clasificación precisos. Se llevaron a cabo experimentos y verificaciones en 3 conjuntos de datos hiperespectrales de teledetección, y los resultados muestran que el método de este artículo muestra un rendimiento de clasificación más ventajoso que otros métodos de aprendizaje profundo.

palabra clave

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

References

  1. 1.
    Archibald R and Fann G. 2007. Feature selection and classification of hyperspectral images with support vector machines. IEEE Geoscience and Remote Sensing Letters, 4(4): 674-677
  2. 2.
    Dong W Q, Liu S, Xiao S, Qu J H and Li Y S. 2024. ISPDiff: interpretable scale-propelled diffusion model for hyperspectral image super-resolution. IEEE Transactions on Geoscience and Remote Sensing, 62: 5519614
  3. 3.
    Fu Y, Liu H R, Zou Y H, Wang S, Li Z X and Zheng D Z. 2024. Category-level band learning-based feature extraction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 62: 5503916
  4. 4.
    Gu Y T, Wang Y T and Li Y S. 2019. A survey on deep learning-driven remote sensing image scene understanding: scene classification, scene retrieval and scene-guided object detection. Applied Sciences, 9(10): 2110
  5. 5.
    Guo T, Wang R Z, Luo F L, Gong X W, Zhang L and Gao X B. 2023. Dual-view spectral and global spatial feature fusion network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 61: 5512913
  6. 6.
    Hou S K, Shi H Y, Cao X H, Zhang X H and Jiao L C. 2022. Hyperspectral imagery classification based on contrastive learning. IEEE Transactions on Geoscience and Remote Sensing, 60: 5521213
  7. 7.
    Huang K S, Li S T, Kang X D and Fang L Y. 2016. Spectral–spatial hyperspectral image classification based on KNN. Sensing and Imaging, 17(1): 1
  8. 8.
    Li D, Kong F Q and Zhu D Y. 2021. Hyperspectral image classification based on local Gaussian mixture feature extraction. Acta Optica Sinica, 41(6): 0610001
  9. 9.
    Li J, Bioucas-Dias J M and Plaza A. 2012. Spectral–spatial hyperspectral image segmentation using subspace multinomial logistic regression and markov random fields. IEEE Transactions on Geoscience and Remote Sensing, 50(3): 809-823
  10. 10.
    Li R, Zheng S Y, Duan C X, Yang Y and Wang X Q. 2020. Classification of hyperspectral image based on double-branch dual-attention mechanism network. Remote Sensing, 12(3): 582
  11. 11.
    Li W and Du Q. 2015. Support vector machine with adaptive composite kernel for hyperspectral image classification//Proceedings of SPIE 9501, Satellite Data Compression, Communications, and Processing XI. Baltimore: SPIE: 95010O
  12. 12.
    Liu B, Yu A Z, Yu X C, Wang R R, Gao K L and Guo W Y. 2021. Deep multiview learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 59(9): 7758-7772
  13. 13.
    Mai S J, Zeng Y and Hu H F. 2023. Learning from the global view: supervised contrastive learning of multimodal representation. Information Fusion, 100: 101920
  14. 14.
    Makantasis K, Karantzalos K, Doulamis A and Doulamis N. 2015. Deep supervised learning for hyperspectral data classification through convolutional neural networks//Proceedings of 2015 IEEE International Geoscience and Remote Sensing Symposium. Milan: IEEE: 4959-4962
  15. 15.
    Peng J T, Jiang X, Chen N and Fu H J. 2019. Local adaptive joint sparse representation for hyperspectral image classification. Neurocomputing, 334: 239-248
  16. 16.
    Peng Y, Hou C B, Zhang Y B, Lin Y, Gui G, Gacanin H, Mao S W and Adachi F. 2023. Supervised contrastive learning for RFF identification with limited samples. IEEE Internet of Things Journal, 10(19): 17293-17306
  17. 17.
    Qu J H, Dong W Q, Yang Y F, Zhang T Z, Li Y S and Du Q. 2024a. Cycle-refined multidecision joint alignment network for unsupervised domain adaptive hyperspectral change detection. IEEE Transactions on Neural Networks and Learning Systems, 36(2): 2634-2647
  18. 18.
    Qu J H, Liu X Y, Dong W Q, Liu Y, Zhang T Z, Xu Y and Li Y S. 2024b. Progressive multi-iteration registration-fusion co-optimization network for unregistered hyperspectral image super-resolution. IEEE Transactions on Geoscience and Remote Sensing, 62: 5519814
  19. 19.
    Rajarajeswari P, Hemashri R, Jayapriya S and Ravikumar M M. 2020. Hyperspectral image classification by using K-nearest neighbor algorithm. International Journal of Psychosocial Rehabilitation, 24(5): 5068-5074
  20. 20.
    Seifi S, Reino D O, Chumerin N and Aljundi R. 2024. OOD aware supervised contrastive learning//Proceedings of 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). Waikoloa: IEEE: 1945-1955
  21. 21.
    Song T Q, Zong D, Liu T X, Fan H S, Huang T J, Jiang X X and Wang H Y. 2022. Hyperspectral image classification of the deep neural network based on 3D convolution and dense connection. National Remote Sensing Bulletin, 26(11): 2317-2328
  22. 22.
    Song W W, Li S T, Kang X D and Huang K S. 2016. Hyperspectral image classification based on KNN sparse representation//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing: IEEE: 2411-2414
  23. 23.
    Sun L, Zhao G R, Zheng Y H and Wu Z B. 2022. Spectral–spatial feature tokenization transformer for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5522214
  24. 24.
    Wang X W, Zhou H, Zhang M H and Zhu Y W. 2023. Hyperspectral image classification based on Swin Transformer and 3D residual multilayer fusion network. Computer Science, 50(5): 155-160
  25. 25.
    Wei X P, Yu X C, Zhang P Q, Zhi L and Yang F. 2020. CNN with local binary patterns for hyperspectral images classification. Journal of Remote Sensing (in Chinese), 24(8): 1000-1009
  26. 26.
    Yang X, Chi Y, Zhou Y T and Wang Y. 2023. Spectral-spatial attention bilateral network for hyperspectral image classification. National Remote Sensing Bulletin, 27(11): 2565-2578
  27. 27.
    Yang Y G, Qu J H, Dong W Q, Zhang T Z, Xiao S and Li Y S. 2024. TMCFN: text-supervised multidimensional contrastive fusion network for hyperspectral and LiDAR classification. IEEE Transactions on Geoscience and Remote Sensing, 62: 5511015
  28. 28.
    Zhang J and Bao W X. 2022. Research on classification method of hyperspectral remote sensing image based on Generative Adversarial Network. National Remote Sensing Bulletin, 26(2): 416-430
  29. 29.
    Zhang Q, Zhao C Y and Chen X R. 2022. Technical progress and development trend of geological hazards early identification with multi-source remote sensing. Acta Geodaetica et Cartographica Sinica, 51(6): 885-896
  30. 30.
    Zhang Y C, Zheng X T and Lu X Q. 2023. Hyperspectral image classification method based on hierarchical transformer network. Acta Geodaetica et Cartographica Sinica, 52(7): 1139-1147
  31. 31.
    Zhang Y Q, Cao G, Li X S and Wang B S. 2018. Cascaded random forest for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(4): 1082-1094
  32. 32.
    Zhao Z Y, Xu X, Li S T and Plaza A. 2024. Hyperspectral image classification using groupwise separable convolutional vision transformer network. IEEE Transactions on Geoscience and Remote Sensing, 62: 5511817
  33. 33.
    Zhu M Z, Fan J Y, Yang Q H and Chen T. 2022. SC-EADNet: a self-supervised contrastive efficient asymmetric dilated network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5519517

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website