高スペクトル画像分類は通常、訓練データとテストデータが同じクラスを共有し、テストセットに未知のクラスが存在しないと仮定するが、この前提は実際の環境では理想的すぎる。高スペクトルデータ間のクラス差が小さく、特徴分布が重なりやすいため、境界の混乱問題が生じることに対処するために、対比学習とDenseNetを組み合わせた高スペクトル画像のオープンセット分類方法を提案する。スペクトル特徴抽出モジュールを利用して元のスペクトル次元特徴を取得し、DenseNetにより多層の特徴情報の相互作用を実現し、遷移モジュールによってスペクトルチャネルを圧縮し、より明確なクラス境界分布を形成する。出力特徴を空間特徴抽出モジュールにマッピングして空間次元特徴を取得し、ResNetを活用して局所空間構造特徴を捉え、空間構造情報の認識を強化する。対比学習を導入してクラス内結合性とクラス間分離性を向上させ、困難なサンプルマイニング機構と組み合わせて混同しやすい境界特徴を最適化し、モデルの境界領域サンプル識別能力を向上させる。最後に、Houston2013、Pavia University、WHU-Hi-LongKouデータセットでの実験により、本手法は未知のクラスにおいてそれぞれ68.81%、69.24%、59.26%のより高い地物分類精度を獲得し、全体的な分類精度はそれぞれ89.49%、95.06%、95.03%であり、既知クラスの高精度を保持しつつ未知クラスの識別能力を効果的に向上させたことを示した。

高スペクトル画像;オープンセット;DenseNet;対比学習;困難なサンプルマイニング