基于自监督学习的SAR图像和光学图像深度融合地物分类方法

本发明公开了基于自监督学习的SAR图像和光学图像深度融合地物分类方法，旨在解决遥感图像分类中面临的两大挑战：一是减少对大量标签数据的依赖，二是提升多模态数据分类的精度。通过独立的网络分支分别提取SAR图像和光学图像的模态特征，并结合卷积神经网络和注意力机制的双分支结构进行深度特征提取，充分利用两种模态的独特优势和互补信息。通过构造自监督学习损失函数，在无需标签数据的情况下对模型进行训练；然后将训练好的特征编码器迁移至下游地物分类任务中，仅使用少量标记样本对模型进行微调。这种方法不仅整合了不同模态间的互补信息，而且通过自监督学习方法降低了对遥感图像人工标注的依赖，提高了对地物分类的精度和鲁棒性。