近日，交通學院測繪工程系岳俊博士與湖南大學、英國蘭卡斯特大學、德國德累斯頓-羅森多夫赫爾姆霍茲中心(HZDR)研究人員合作的研究成果“Self-Supervised Learning With Adaptive Distillation for Hyperspectral Image Classification”，提出了基于三維自監(jiān)督的高光譜遙感影像分類方法，有效減少了高光譜遙感影像解譯所需的樣本數量，該論文發(fā)表于國際頂級遙感學術期刊IEEE Transactions on Geoscience and Remote Sensing (IEEE TGRS)，在學術界引起廣泛關注。岳俊為該論文第一作者，長沙理工大學為第一署名單位。

高光譜遙感影像中存在大量的未標記樣本，如何充分發(fā)揮未標記樣本的作用是提高高光譜遙感影像分類精度的關鍵因素之一。針對這一問題，該論文提出了一種自監(jiān)督學習方法來充分利用大量的未標記樣本對深度神經網絡進行訓練。該方法包括兩個模塊：自適應知識蒸餾模塊和高光譜遙感影像三維自監(jiān)督變換模塊。自適應知識蒸餾模塊利用自監(jiān)督信息訓練網絡，其中自監(jiān)督信息是通過空間譜相似性度量生成的自適應軟標簽。該模塊基于未標記樣本和 標記樣本之間的空間譜聯(lián)合距離生成高光譜遙感影像中未標記樣本和地物類別之間的相似度。同時，該方法將自監(jiān)督方法從二維變換擴展到三維變換，充分利用高光譜遙感影像具有三個維度的特點。通過該文提出的高光譜遙感影像三維自監(jiān)督變換模塊，可以對高光譜遙感影像進行二維旋轉變換和基于光譜軸的翻轉變換，在三維層面進行自監(jiān)督學習，充分利用每一個標記樣本的監(jiān)督信息。該研究得到國家重點研發(fā)計劃項目、國家自然科學基金項目和湖南省教育廳優(yōu)秀青年項目的共同資助，該研究成果能有效減少訓練高光譜遙感分類模型所需的樣本數量，減少遙感應用工程中所需的人力物力和時間投入，對遙感技術服務國家重大戰(zhàn)略和需求的能力產生積極影響。

IEEE TGRS為電氣與電子工程師協(xié)會(Institute of Electrical and Electronics Engineers, IEEE)遙感學會(Geoscience and Remote Sensing Society, GRSS)會刊，已有55年的歷史，是遙感與地球科學領域最頂尖級的國際期刊之一。該刊物內容涵蓋遙感科學、信息科學、空間科學等多個學科，集中反映了當代遙感與地球科學的最新進展。該刊為中科院SCI一區(qū)TOP期刊，我校認定的學科領域TOP5期刊，2020年影響因子為5.855。

論文鏈接：https://ieeexplore.ieee.org/document/9360315

Jun Yue, Leyuan Fang, Hossein Rahmani and Pedram Ghamisi, "Self-Supervised Learning With Adaptive Distillation for Hyperspectral Image Classification," in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2021.3057768。（文/李金蓮  審/孔偉紅）