半监督图深度神经网络研究及其在高光谱影像分类中的应用

To meet the urgent demands of the intelligent era of hyperspectral satellite system, in this project, we develop an efficient semi-supervised graph neural network model for feature learning and classification of hyperspectral image data, via sparse analysis，graph theory，semi-supervised learning and optimization theory. Firstly, we explore the sparsity and structural characteristics of the data, to develop a regularized sparse representation model for the selection of label instances; to develop a task-driven network topology structure via fully-connected neural network. Secondly, to design the spatial graph convolution unit and spatial convolution unit to develop the graph based deep neural network; Thirdly, based on the above theories and technologies, we build a comprehensive semi-supervised learning on graph neural network model for hyperspectral image data classification.

针对实际高光谱影像数据像元内部结构混杂、同物异谱及标记成本高等问题，本项目以稀疏分析、图谱理论、半监督学习、深度学习和最优化理论为工具，探索基于图深度神经网络的半监督特征学习与分类方法，力争突破有限标记样本下的高精度高光谱影像分类。首先，挖掘高光谱影像数据在样本空间上的稀疏性和结构性，设计基于正则化稀疏表征的标记样本选择方法，提升有效标记样本的质量；其次，分析样本数据与目标任务间的关联，建立基于全连接神经网络的结构图；再次，设计谱卷积单元和空间卷积单元，构建图深度网络模型；最后，研究基于图深度神经网络的半监督分类模型及优化算法，在AVIRIS、HYDICE、ROSIS等卫星数据上进行分析验证，实现少量有限标记样本下的高精度学习。项目的开展不仅能促进半监督深度学习领域的研究，而且有助于提升高光谱遥感数据智能化解译水平。

高光谱遥感图像因其丰富的光谱信息，在地球科学、农业科学等应用中广泛使用。然而，作为一种典型的遥感数据，数据的标注较为困难，再加上特征复杂，因此，本项目重点研究半监督学习范式下的高光谱图像分类方法。项目从空谱特征联合提取、自监督/半监督学习策略设计、异源信息辅助等多个角度进行了探索，提升有效标注样本信息下，高光谱图像分类性能。.（1）研究了高光谱图像的空谱特征层次化融合与特征选择与交互式空谱Transformer模型的特征学习方法，有效特征了空谱特征的表征能力。.（2）研究了基于图神经网络和自监督辅助的半监督学习方法，实现了图半监督学习与辅助任务，实现了少量标注样本下的高判别表征。.（3）研究了异源数据辅助的特征融合与表征方法，利用其他源的数据辅助特征学习，提升特征的表征能力。.本课题的研究具有较强的通用性，可以拓展到其他像素级分类任务中，为遥感信息的解译提供了新的思路。