고해상도 스펙트럼 이미지에서 심층 판별 특성을 추출하기 위해서는 대량의 라벨이 지정된 샘플이 필요한 경우가 많지만, 고해상도 스펙트럼 이미지 샘플 라벨링은 어렵습니다. 고해상도 스펙트럼 이미지의 "스펙트럼과 지도 통합" 특성을 기반으로 심층-다양체 학습에 기반한 반지도 이중 스트림 네트워크를 제안합니다. 이 네트워크는 컨볼루션 네트워크와 신경망을 사용하여 소량의 라벨이 지정된 샘플과 다량의 라벨이 없는 샘플에서 공간-스펙트럼 결합 특성을 각각 추출한 뒤, 감독 그래프와 비감독 그래프 기반의 다양체 재구성 그래프 모델을 각각 구성하여 내재된 다양체 구조를 탐색합니다. 이를 바탕으로 평균 제곱 오차와 다양체 학습 기반의 공동 손실 함수를 설계하여 다양체 경계와 공간-스펙트럼 확률 잔차를 협력적으로 측정하여 이중 스트림 네트워크의 통합 피드백과 최적화를 실현하고, 나아가 지물 분류를 수행합니다. WHU-Hi Longkou와 Heihe의 고해상도 스펙트럼 데이터 세트에서 실험한 전체 분류 정확도는 각각 97.53%와 96.79%에 이르러 지물 분류 능력을 효과적으로 향상시켰습니다.

고해상도 원격 탐사;지물 분류;특징 추출;그래프 임베딩;다양체 학습;반지도 학습