고분광 이미지 분류는 일반적으로 학습 데이터와 테스트 데이터가 동일한 클래스를 공유하며 테스트 세트에 알려지지 않은 클래스가 없다고 가정하지만, 이 전제는 실제 환경에서는 지나치게 이상적이다. 고분광 데이터 클래스 간 차이가 적고 특징 분포가 겹칠 가능성이 있어 경계 혼동 문제가 발생하는 문제를 해결하기 위해, 대비 학습과 DenseNet을 결합한 고분광 이미지 개방 집합 분류 방법을 제안한다. 스펙트럼 특징 추출 모듈을 이용하여 원본 스펙트럼 차원 특징을 획득하고, DenseNet을 통해 다층 특징 정보 상호작용을 구현하며, 전이 모듈을 이용해 스펙트럼 채널을 압축하여 더 명확한 클래스 경계 분포를 형성한다. 출력 특징 맵을 공간 특징 추출 모듈에 매핑하여 공간 차원 특징을 획득하고, ResNet을 이용해 국소 공간 구조 특징을 포착해 공간 구조 정보에 대한 인식을 강화한다. 대비 학습을 도입해 클래스 내 응집성과 클래스 간 분리성을 향상시키고, 어려운 샘플 발굴 기법과 결합해 혼동이 쉬운 경계 특징을 최적화함으로써 모델의 경계 영역 샘플 판별 능력을 향상시킨다. 마지막으로, Houston2013, Pavia University, WHU-Hi-LongKou 데이터셋 실험에서 본 방법은 미지 클래스에서 각각 68.81%, 69.24%, 59.26%의 높은 지물 분류 정확도를 달성했으며, 전체 분류 정확도는 각각 89.49%, 95.06%, 95.03%로 알려진 클래스의 높은 정확도를 유지하면서 미지 클래스 인식 능력을 효과적으로 향상시켰다.

고분광 이미지; 개방 집합; DenseNet; 대비 학습; 어려운 샘플 발굴