基于混合卷积网络的高光谱图像自监督特征学习方法

针对高光谱图像小样本条件下特征学习不充分的问题，提出了一种基于混合卷积网络的自监督特征学习方法。该方法能够充分利用高光谱图像的空谱信息，以对比学习的形式自动提取适合分类任务的特征。首先，用因子分析算法降维高光谱图像，并通过空间增强和光谱增强产生正负样本对。然后，利用混合三维卷积和二维卷积的级联模型提取样本对的多尺度空谱特征，并用二阶池化层提升细粒度表征能力。通过计算对比损失，以自监督的方式充分训练编码器。最后，利用极少量的标记样本微调编码器完成分类。在四个空谱特征差异较大的高光谱数据集Indian Pines、Houston、Longkou和Hanchuan进行了分类实验。每类地物仅用5个样本微调编码器，本文提出方法的精度分别为79.46%、84.32%、92.97%和82.31%，验证了所提方法的有效性。