自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法.为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法.首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调.在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84％、63.55％、76.42％和86.24％.本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值.

遥感影像;场景分类;自监督;在线聚类;半监督

火箭军工程大学作战保障学院,陕西 西安 710025;61068 部队,陕西 西安 710100

[1]白坤;慕晓冬;陈雪冰;朱永清;尤轩昂-.融合半监督学习的无监督遥感影像场景分类)[J].测绘学报,2022(05):691-702

融合半监督,半监督学习,无监督,遥感影像场景,场景分类,自监督学习,不依,样本标签,特征分类,监督方法,分类过程,影像特征,自动分类,语义聚类,聚类方法,出图,语义信息,特征相似度,近邻,在线聚类,将相,分类器,置信度,样本生成,伪标签,样本集,模型微调,分类数据,EuroSAT,GID,AID,NWPU,RESISC45,分类精度,差积,本利,不使用,分类模型,有监督学习,分类效果

0.37534