[发明专利]一种基于自监督对比学习的小样本遥感图像分类方法

说明书

本发明涉及一种基于自监督对比学习的小样本遥感图像分类方法，包括以下步骤：1、对原始高光谱遥感数据进行降维、分割等预处理；2、在少量标记样本组成的训练集中，随机挑选标记样本并进行二次组合，生成对比学习组；3、设计并构建深度特征提取网络，利用对比组更新网络参数；4、利用训练好的深度网络模型对所有未标记样本进行预测，生成伪标记，并提出置信度差异算法挑选部分具有较高置信度的伪标记样本；5、微调网络模型并预测所有未标记样本的类别标签：将原始标记样本和伪标记样本结合，进一步训练模型并输出测试集样本的预测标签。本发明可以在少量标记样本的情况下，实现对高光谱遥感图像的准确分类，其分类效果明显优于一些现有算法。

技术领域

本发明涉及遥感图像处理和小样本分类领域，具体讲的是一种基于自监督对比学习的小样本遥感图像分类方法。

背景技术

高光谱图像分类一直是遥感图像处理领域的研究热点，它被广泛应用于农作物分析、军事目标识别、地理地质等领域。但是，在实际分类处理中，高光谱图像数据通常维数较高、标记样本极少且光谱和空间变化大，这些特点给传统遥感图像分类算法提出了新的挑战。

深度学习模拟人类视觉系统的层次化工作模式，构建具有层次化结构的深度网络模型，在高光谱图像分类领域取得了优越的性能。栈式自动编码器（Stacked Auto-Encoder, SAE）高光谱深度分类网络和高光谱卷积神经网络（Convolutional NeuralNetwork, CNN）分类算法与SAE不同，CNN模型采用局部连接和权值共享实现了空域特征的有效提取，同时大幅减少了网络训练参数。之后，大量学者在CNN基础上，提出了一系列改进的CNN模型。为了解决3D-CNN参数量大，混合光谱网络 (hybrid spectral CNN, HybridSN)同时使用3D和2D卷积核进行特征提取，3D-CNN提取空间-光谱联合特征，2D-CNN进一步进行特征抽象。为了解决模型训练中，层数增加而导致的梯度消失和梯度爆炸问题，残差网络(Residual networks) 被提出应用于高光谱分类。

尽管上述深度学习网络能够从数据中自动学习空谱特征，但是这些方法需要大量标记样本才能获得满意的性能。例如，HybridSN算法需要数据集中30%的标记样本作为训练集进行训练，对于Salinas高光谱数据，标记训练样本需要16000个左右。然而，在实际应用中，标记样本难以获取，往往面临的是小样本分类问题。高光谱图像中，通常有两种方式获取样本标签：(1)现场调查；(2)直接从高分辨率图像进行视觉解译。与视觉解译相比，实地现场调查的样本标记，更加准确。然而，现场调查成本高、复杂、耗时，极大地限制了标记样本的数量。因此，实际应用中很难获得足够的训练样本来完全满足深度神经网络的训练要求。在只有少数标记样本的情况下，如何进行有效的深度学习高光谱图像分类值得深入研究。

针对小样本高光谱分类问题，现有技术中主要包括以下几种解决方案：第一种是采用深度子空间聚类的高光谱图像分类方法，先利用少量的标记样本，通过子空间聚类方法为部分未标记样本打上伪标签，然后再利用这些伪标记样本训练深度学习网络；第二种是采用基于自适应蒸馏的自监督高光谱图像分类方法，利用聚类为每个未标记样本打上伪标签，然后设置阈值选择置信度较高的伪标记样本，再利用伪标记样本训练深度网络；第三种是采用基于对比学习的高光谱分类网络，该网络包含两步学习策略，其中第一步采用自监督学习进行预训练，第二步利用少量标记样本进行网络精细调整。

上述这些小样本深度学习分类方法都是先生成大量的伪标记样本，再用伪标记样本作为训练集来训练深度学习网络。但是这些方法中伪标记样本的数量以及质量探讨不够深入，深度特征提取网络的判别性能不强。

发明内容

本发明要解决的技术问题是一种基于自监督对比学习的小样本遥感图像分类方法。本发明采用以下技术方案：

一种基于自监督对比学习的小样本遥感图像分类方法，包括以下步骤：