融合半监督学习的无监督遥感影像场景分类

自监督学习可以不依赖样本标签对遥感影像进行特征提取, 但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足, 实现遥感影像特征的无监督自动分类, 本文提出一种融合半监督学习的无监督语义聚类方法。首先, 使用自监督学习提取遥感影像特征, 抽象出图像包含的高层语义信息; 然后, 基于特征相似度寻找每个样本最相似的近邻, 使用在线聚类将相似样本聚为一类, 训练一个线性分类器; 最后, 根据聚类结果为高置信度样本生成伪标签, 构造标注样本集, 使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证, 分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点, 缓解了已有方法存在的误差积累和样本利用不充分的问题, 在完全不使用标注样本的情况下, 充分利用自监督特征训练分类模型, 对遥感影像进行场景分类, 达到接近有监督学习的分类效果, 具有良好的应用价值。