Key points are not available for this paper at this time.
초분광 이미지 (HSI) 분류에 널리 사용되고 있음에도 불구하고, 대부분의 딥 러닝 알고리즘은 만족스러운 성능을 달성하기 위해 많은 레이블이 붙은 샘플을 필요로 합니다. 그러나 수작업 레이블링은 실제로 매우 시간 소모적이고 노동 집약적입니다. 이러한 문제를 해결하기 위해, 우리는 비지도 방식으로 분류에 적합한 HSI의 표현을 학습하기 위한 방법인 공간-스펙트럼 대조 학습(SSCL)을 제안합니다. 유용한 내용(예: 의미)이 공간 및 스펙트럼 영역에서 불변하는 반면, 비정보적 내용은 일반적으로 그렇지 않음을 보여줍니다. 따라서 우리는 대조 예측 작업을 정의하여 도메인 불변 정보를 모델링하는 강력한 표현을 학습합니다. 구체적으로, 두 신호가 HSI 샘플에 대해 구성되어 두 영역의 정보를 포함하고, 이 두 신호의 표현이 최적화되어 유사해지도록 하여 도메인 불변 내용을 추출합니다. 우리는 극히 적은 레이블로 학습된 표현에 대한 분류 실험을 수행하며, 그 결과 우리의 방법이 최신 기술들에 비해 우수함을 입증합니다.
Guan et al. (Sun,) 이 질문을 연구하였습니다.