[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

说明书

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。

技术领域

本申请涉及遥感图像技术领域，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。

背景技术

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。

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。

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。

发明内容

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设备，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

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，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。