高光谱图像分类模型的自监督学习方法、系统、介质和电子设备技术方案

本申请提供了一种高光谱图像分类模型的自监督学习方法、系统、计算机可读存储介质和电子设备。该方法包括：对未标记的第一样本图像进行处理，获取预训练图像；其中，第一样本图像为高光谱图像；根据预训练图像对预先建立的基网络进行自监督学习；在自监督学习完成的基网络上添加自定义网络，构建高光谱图像分类模型；其中，自定义网络的全连接层用于对高光谱图像进行分类；根据第二样本图像，对高光谱图像分类模型进行微调；第二样本图像通过对第一样本图像进行标注得到。籍此，在基网络的训练过程中，不再需要对第一样本图像进行人工标注，有效解决了深度学习在高光谱图像分类中应用时手动标记数据不足的问题，提高了高光谱图像分类的精度。像分类的精度。像分类的精度。

【技术实现步骤摘要】
高光谱图像分类模型的自监督学习方法、系统、介质和电子设备


[0001]本申请涉及遥感图像
，特别涉及一种高光谱图像分类模型的自监督学习方法、系统、计算机可读存储介质和电子设备。

技术介绍

[0002]图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法；对于光谱分辨率在10
‑2λ数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image，简称HSI)，对高光谱图像分类是遥感领域重要的研究方向之一。
[0003]在过去的几年，深度卷积神经网络在高光谱图像分类方面取得了巨大的成功，但是，深度卷积神经网络模型在训练过程中需要大量的人工标注数据，然而，高光谱图像在分类过程中可用的标记数据较少，成本高昂，严重阻碍了深度学习在高光谱图像分类中应用，影像了高光谱图像分类的精度。
[0004]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0005]本申请的目的在于提供一种高光谱图像分类模型的自监督学习方法、系统、计算机可读存储介质和电子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像分类模型的自监督学习方法，其特征在于，包括：对未标记的第一样本图像进行处理，获取预训练图像；其中，所述第一样本图像为高光谱图像；根据所述预训练图像对预先建立的基网络进行自监督学习；在自监督学习完成的所述基网络上添加自定义网络，构建所述高光谱图像分类模型；其中，所述自定义网络的全连接层用于对高光谱图像进行分类；根据第二样本图像，对所述高光谱图像分类模型进行微调；其中，所述第二样本图像通过对所述第一样本图像进行标注得到。2.根据权利要求1所述的高光谱图像分类模型的自监督学习方法，其特征在于，所述对未标记的第一样本图像进行处理，获取预训练图像，包括：反转所述第一样本图像的光谱顺序，生成第一标签图像；其中，每张所述第一样本图像对应生成两张频谱顺序不同的所述第一标签图像；基于预先构建的几何变换集，对所述第一标签图像进行几何变换，以得到所述预训练图像。3.根据权利要求2所述的高光谱图像分类模型的自监督学习方法，其特征在于，所述基于预先构建的几何变换集，对所述第一标签图像进行几何变换，得到所述预训练图像，包括：对不同尺度的所述第一标签图像使用不同奇数倍大小的所述几何变换集，得到同一尺度的第二标签图像；对所述第二标签图像进行图像裁剪，获得不同尺度的所述预训练图像。4.根据权利要求1所述的高光谱图像分类模型的自监督学习方法，其特征在于，所述根据所述预训练图像对预先建立的基网络进行自监督学习，包括：基于预先建立的所述基网络，根据所述预训练图像，得到所述预训练图像的概率组；确定所述预训练图像和所述概率组之间的向量距离；根据所述向量距离和所述基网络的损...

【专利技术属性】
技术研发人员：曹维佳，杨小飞，卢瑶，周怡聪，米晓飞，
申请(专利权)人：长江三峡技术经济发展有限公司，
类型：发明
国别省市：