谱间对比学习的高光谱图像无监督特征提取

作     者：杭仁龙 李成相 刘青山 HANG Renlong;LI Chengxiang;LIU Qingshan

作者机构：南京信息工程大学计算机学院江苏南京210044 江苏省大气环境与装备技术协同创新中心江苏南京210044 

出 版 物：《测绘学报》 (Acta Geodaetica et Cartographica Sinica)

年 卷 期：2023年第52卷第7期

页      面：1164-1174页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：科技创新2030—“新一代人工智能”重大项目(2021ZD0112200) 国家自然科学基金(U21B2044,U21B2049,61906096)。 

主　　题：无监督学习 深度学习 高光谱图像 特征提取 

摘      要：深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。