近日，中科院一区TOP期刊IEEE Transactions on Geoscience and Remote Sensing发表了我院涂兵教授团队的本科生研究成果“Self-Supervised Graph Masked Autoencoders for Hyperspectral Image Classification”。IEEE TGRS是人工智能与遥感交叉领域国际权威期刊，最新影响因子7.5，中科院分区为一区Top期刊。

为解决传统端到端网络特征提取受限于任务监督信号、多尺度特征融合仅依赖同位置像素交互难以建模复杂空间关联，以及图神经网络处理百万级像素的高光谱数据时面临计算复杂度高、构图易陷入欧氏空间规律固化等问题，本研究提出基于自监督学习的图掩码自编码器高光谱图像分类算法。将高光谱特征提取转化为自监督边重构优化问题以脱离下游任务依赖，通过灵活设计重构损失函数实现通用特征预提取；创新交叉关联多尺度特征融合机制，利用掩码边重构目标融合跨位置节点的多尺度特征，突破传统网络的空间感知局限与融合信息丢失；并设计动态掩码构图与分批次图神经网络训练策略，通过随机掩码边扰动打破网格数据空间规律性依赖、分批次计算降低超大规模图数据处理复杂度，从而在保持单像素节点构图优势的同时提升模型对多任务场景的泛化能力。

图1 提出的方法框架图

我院2022级光电信息科学与工程专业本科生胡正昊为第一作者，涂兵教授为通讯作者。本研究由国家自然科学基金、南京信息工程大学科研启动经费以及南京信息工程大学国家级大学生创新创业训练计划项目共同资助。南京信息工程大学为第一署名单位，合作单位包括中国地质大学(武汉)和University of Extremadura。研究工作为将来生成模型在多任务图像处理下的应用提供了可借鉴的解决方案。

论文链接：https://ieeexplore.ieee.org/document/10945458