基于全局-局部聚类和对比学习的跨场景高光谱图像分类

来源：计算机工程与应用杂志2026年第11期北京时间：

作者：王爱丽, 李德飞, 吴海滨, 刘城洋, 吕浩然, 王敏慧

单位：哈尔滨理工大学 测控技术与通信工程学院 黑龙江省激光光谱技术及应用重点实验室，哈尔滨 150080；

摘要：跨场景高光谱图像分类的关键挑战在于如何实现不同域之间的有效知识迁移，传统域自适应方法（如闭集、部分或开集）通常假设源域和目标域的标签空间存在明确的对应关系，然而这种强假设在真实场景中往往难以满足。值得注意的是，现实应用往往需要在无标签空间限制的条件下实现跨域知识迁移，这一更具挑战性的任务被定义为通用域自适应（universal domain adaptation，UniDA）。提出了全局-局部聚类和对比学习的对抗通用集高光谱图像分类（adversarial universal domain adaptation framework with global-local clustering and contrastive learning，GLCADA），构建morphFormer网络进行特征提取，提取数据的局部形态特征和全局依赖特征。结合全局-局部聚类的方法，通过伪标签算法，以实现在存在未知类别情况下，对“已知”和“未知”数据样本的分离。结合对抗的方式交替训练特征提取器和分类器，以便更好地对齐源域和目标域。此外，在Pavia和Houston跨场景高光谱数据集上的实验验证了所提出的GLCADA方法的有效性。

关键词：跨场景高光谱图像分类,域自适应,通用集,对抗训练

基金资助：黑龙江省重点研发计划项目（JD2023SJ19）；黑龙江省自然科学基金（LH2023F034）。