BYOL框架下的自监督高光谱图像分类

CIOMP OpenIR

	BYOL框架下的自监督高光谱图像分类
	韩希珍; 蒋振刚 ; 刘媛媛 ; 赵建 ; 孙强 ; 刘建卓
	2024-10-25
发表期刊	红外与激光工程
卷号	53 期号:10 页码:254-269
摘要	高光谱图像可以获取波段连续的图谱合一的立体数据，其具有丰富的图谱信息，能区分不同物质的类别，被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间，可用的标注样本数量较少，难以通过训练来获得准确的分类结果，所以针对于只有少量标记样本的高光谱图像分类是一个挑战。近年来，自监督学习(Self-supervised Learning,SSL)已成为一种有效的方法，可以减少高光谱图像分类对昂贵的数据标注的依赖。SSL方法通过学习在同一图像的不同视图之间产生的潜在特征，在自然图像分类中取得了较高的分类精度。为了探索SSL方法在高光谱图像分类中的潜力，一种Bootstrap Your Own Latent(BYOL)框架下的自监督高光谱图像分类方法(BSSL)被提出。该方法通过引用自监督的图像特征学习框架BYOL，可以不需要负样本对，利用空间光谱相似的同类样本对进行网络训练及参数微调，提取到更具判别性特征。具体来说，该方法主要包括四个部分：BYOL的预训练、超像素聚类、基于“相似对”的BYOL的再训练和最终分类。为了验证该方法的有效性，在三个公开数据集上进行测试，并与五种先进的无监督、自监督分类方法 SuperPCA、S3PCA、ContrastNet、SSCL和N2SSL进行对比，在Indian Pines和Salinas数据集上，BSSL方法的总体分类精度(OA)、平均分类精度(AA)、Kappa系数、召回率(recall)和f1分数(f1-score)都取得了更优值。其中在Indian Pines数据集上，OA分别比SuperPCA,S3PCA,ContrastNet,SSCL和N2SSL提高了1.32%,1.05%,5.68%,3.12%和1.27%。而在University of Pavia数据集上，BSSL方法表现没有那么出色，但在综合分类性能上也表现最优。这表明BSSL方法更适用于地物区域面积较大且分布较集中的场景，因为这对于超像素聚类来说更友好。
文献类型	期刊论文
条目标识符	http://ir.ciomp.ac.cn/handle/181722/68603
专题	中国科学院长春光学精密机械与物理研究所
作者单位	1.长春理工大学计算机科学技术学院 2.苏州东方克洛托光电技术有限公司 3.中国科学院长春光学精密机械与物理研究所 4.中国科学院苏州生物医学工程技术研究所
推荐引用方式 GB/T 7714	韩希珍,蒋振刚,刘媛媛,等. BYOL框架下的自监督高光谱图像分类[J]. 红外与激光工程,2024,53(10):254-269.
APA	韩希珍,蒋振刚,刘媛媛,赵建,孙强,&刘建卓.(2024).BYOL框架下的自监督高光谱图像分类.红外与激光工程,53(10),254-269.
MLA	韩希珍,et al."BYOL框架下的自监督高光谱图像分类".红外与激光工程 53.10(2024):254-269.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
BYOL框架下的自监督高光谱图像分类.p（1949KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览请求全文