高光谱图像聚类的像素-超像素对比学习与伪标签校正

Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for Hyperspectral Image Clustering

摘要

本文提出了一种新的高光谱图像（HSI）聚类方法，名为像素-超像素对比学习与伪标签校正（PSCPC）。该方法结合了像素级和超像素级的对比学习，通过超像素捕获领域特定的细粒度特征，并在超像素内部对少量像素进行比较学习。PSCPC通过一个伪标签校正模块来对齐像素级和超像素级的聚类伪标签，使用像素级聚类结果来指导超像素级聚类，从而提高模型的泛化能力。

引言

硬件成像技术的快速发展，特别是高光谱遥感技术，它使用纳米级成像光谱仪对地面物体进行多波段的同时成像。HSI包含了丰富的空间、辐射和光谱信息，使得图像分析和处理领域中的地面物体分类成为一个重要的研究方向。由于在实际应用中获取大量标记训练样本是困难的，因此无监督分类或聚类方法得到了广泛应用。传统聚类算法在高维数据聚类任务中存在局限性，深度学习结合传统聚类算法的深度聚类算法能够更好地利用HSI的光谱和空间信息。

• 文章的主要贡献

提出了一种新颖的HSI聚类方法PSCPC，它同时关注硬正样本和硬负样本对。
设计了一个综合的相似性度量标准，考虑了属性和结构信息，以更好地揭示样本之间的关系。
在高置信度聚类信息的指导下，提出了一种样本权重调节策略，动态增加硬样本对的权重，同时减少