【成果简介】
面向高光谱遥感图像的高维非线性、空间异构、光谱不确定性等复 杂分布特性，基于可学习原型采样的自监督对比学习容易导致表征过均 匀分布并产生平凡簇现象。因此，将原型对比学习视为潜在概率密度分 布估计，提出稀疏性密集区域采样和多正样本学习方法（LSCoSa），通 过建立多样性稀疏可学习原型采样策略，改善对比自监督表征的分布合 理性。具体地，通过在原型采样概率上建立稀疏性正则约束，压制伪密 度原型的激活概率。同时，通过采样多个潜在正样本并执行动态加权对 比学习，避免平凡簇现象，改善表征的语义多样性。实验表明，所提方 法极大改善了高光谱图像地物表征合理性以及目标识别精度。该工作 2023 年发表在遥感领域重要国际期刊 IEEE Transactions on Geoscience and Remote Sensing（SCI 一区）上。
【技术指标】
该科技成果基于可学习原型对比学习方法 CaCo 在高光谱表征上的 局限性做出创新性算法改进，包括基于逆向KL 散度正则约束的稀疏性 正样本原型采样以及多个正样本动态加权对比学习，极大改善了自监督 对比学习中的样本原型空间分布合理性。两个策略将 CaCo 模型在高光 谱地物识别上的整体精度从 92.68% 逐步提升到 94.77% 以及最终的 96.70% ，并且表现出更清晰的地物目标定位边界。
【技术成熟度】
小试
【应用情况】
高光谱图像表征与分类在细粒度地物识别与定位中表现出极大潜力。 目前，提出的自监督表征学习与分类成果已经在农作物、沼泽地、湿地、林地、矿产开采场地、城区等地物识别与场景分割中表现出先进水平， 未来在矿产资源识别、矿山环境监测、农产品内部品质检测等方面具有 极大的应用潜力与前景。
