博彩导航

论文作者：刘围围，刘凯，孙伟伟^*，杨刚，任凯，孟祥超，彭江涛

深度学习是高光谱图像分类中一种有效方法，然而使用深度学习进行高光谱图像分类的一个重要前提是有足够的标记样本，这既费时又费力，且标记样本对于训练深度学习模型是必不可少的。因此本文提出了一种基于光谱掩膜的自监督学习（SSLSM）的高光谱图像分类方法。该方法主要包括两个步骤：自监督预训练和微调。首先，考虑到高光谱图像的丰富光谱信息，我们提出以掩膜光谱重建作为前提任务，未掩膜的数据被依次输入到由多层变压器组成的编码器和解码器中，用于掩膜光谱重建的特征学习。其次，我们使用参考样本对网络进行微调，创新性地将编码器和解码器级联，以进行深度语义特征提取，进一步提高了在下游分类任务中的特征提取能力。实验结果表明，与其他方法相比，SSLSM对印度松数据集、帕维亚大学数据集和盐城湿地数据集的分类准确率最高，分别为96.52%、97.03%和96.70%。相关研究成果发表在《IEEE Transactions on Geoscience and Remote Sensing》，该期刊2023年度影响因子为8.2.