Para extrair características discriminativas profundas de imagens hiperespectrais, geralmente são necessárias muitas amostras rotuladas, mas a calibração de amostras de imagens hiperespectrais é difícil. Com base na característica "integração espectro-mapa" das imagens hiperespectrais, propõe-se uma rede dupla semi-supervisionada baseada em aprendizagem profunda e aprendizagem de variedade. Essa rede utiliza redes convolucionais e redes neurais para extrair características espaço-espectrais conjuntas de um pequeno número de amostras rotuladas e de um grande número de amostras não rotuladas, e, em seguida, constrói modelos de reconstrução de variedade baseados em grafos supervisionados e não supervisionados para explorar a estrutura intrínseca da variedade. Com base nisso, foi projetada uma função de perda conjunta baseada no erro médio quadrático e na aprendizagem de variedade para medir colaborativamente os limites da variedade e os resíduos probabilísticos espaço-espectrais, alcançando uma retroalimentação e otimização integradas da rede dupla, e assim realizando a classificação de objetos terrestres. Nos conjuntos de dados hiperespectrais WHU-Hi Longkou e Heihe, a precisão geral da classificação atingiu 97,53% e 96,79%, respectivamente, melhorando efetivamente a capacidade de classificação de objetos terrestres.

sensoriamento remoto hiperespectral;classificação de objetos;extração de características;incorporação de grafo;aprendizagem de variedade;aprendizagem semi-supervisionada