[发明专利]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

权利要求书

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：

基于设定的反转函数，反转未标记的第一样本图像的光谱顺序，生成带有光谱顺序标签的第一标签图像；其中，所述第一样本图像为高光谱图像；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，以所述第一标签图像的中心像素点为原点，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，获得不同尺度的预训练图像；具体包括：按照不同尺度，对所述第二标签图像以中心像素为中心进行图像裁剪，对应得到多个不同尺度大小的图像，将所述第二标签图像裁剪后得到不同尺度大小的图像尺度均调整为最大尺寸后作为所述预训练图像；

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失函数，对所述基网络的模型参数进行循环调整，直至调整次数达到预设训练次数，所述基网络的自监督学习结束。

3.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，所述根据第二样本图像，对所述高光谱图像分类模型进行微调，包括：

冻结所述基网络，根据所述第二样本图像，对所述自定义网络进行训练；

响应于所述自定义网络训练完成，解冻所述图像分类模型中的基网络，并根据所述第二样本图像，对所述基网络和所述自定义网络进行联合训练。

4.一种高光谱图像分类模型的自监督学习系统，其特征在于，包括：

图像处理单元，配置为反转未标记的第一样本图像的光谱顺序，生成第一标签图像；其中，所述第一样本图像为高光谱图像；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；并基于预先构建的几何变换集，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，获得不同尺度的预训练图像；具体包括：按照不同尺度，对所述第二标签图像以中心像素为中心进行图像裁剪，对应得到多个不同尺度大小的图像，将所述第二标签图像裁剪后得到不同尺度大小的图像尺度均调整为最大尺寸后作为所述预训练图像；

预训练单元，配置为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；

模型构建单元，配置为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；

模型微调单元，配置为根据第二样本图像，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。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序为如权利要求1-3任一所述的高光谱图像分类模型的自监督学习方法。

6.一种电子设备，其特征在于，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1-3任一所述的高光谱图像分类模型的自监督学习方法。