《Technologies》：Relation-Consistency Group Contrastive Learning for Robust Multispectral Remote Sensing Classification
编辑推荐：
多光谱遥感分类受益于可见光（VIS）、近红外（NIR）和短波红外（SWIR）Sentinel-2波段携带的互补信息，然而大多数深度模型将它们作为单一堆叠张量处理，未显式保留其组间关系。研究人员提出关系一致性组对比学习（Group-CL-RC），这是一个鲁棒性导
多光谱遥感分类受益于可见光（VIS）、近红外（NIR）和短波红外（SWIR）Sentinel-2波段携带的互补信息，然而大多数深度模型将它们作为单一堆叠张量处理，未显式保留其组间关系。研究人员提出关系一致性组对比学习（Group-CL-RC），这是一个鲁棒性导向的框架，结合了组级对比对齐与一个基于紧凑VIS–NIR–SWIR相似性描述符定义的关系一致性正则化器。该方法在EuroSAT All Bands上使用四个骨干网络，在辐射漂移、空间掩膜、K-drop波段移除和复合光谱–空间破坏（CS2C）条件下进行评估，并在仅含Sentinel-2的SEN12MS上采用标准协议和季节偏移协议进行外部验证。Group-CL-RC保持了良好的清洁性能，并在多光谱基线上取得了统计支持的鲁棒性增益，最大提升出现在K-drop和CS2C下。SEN12MS支持这些鲁棒性趋势向EuroSAT以外的迁移，同时表明相比标准Group-CL的增益仍具有扰动依赖性。消融实验进一步表明，关系一致性是一种有效的鲁棒性机制，尤其当光谱组可用性退化时。关系变形诊断显示，Group-CL-RC主要降低决策层对关系扭曲的敏感性，而非均匀地最小化原始变形。总体而言，组间关系几何在受控的结构化光谱和光谱–空间退化下提供了可解释且有效的鲁棒性目标。
多光谱遥感分类在环境监测、土地覆盖制图等领域具有重要应用，但现有深度模型大多将Sentinel-2卫星的可见光（VIS）、近红外（NIR）和短波红外（SWIR）波段作为单一堆叠张量处理，未显式建模光谱组间的物理关系。这种处理方式导致模型在传感器漂移、波段缺失、空间掩膜等结构化光谱退化下表现脆弱，清洁测试精度不足以表征实际部署可靠性。针对这一问题，研究人员提出关系一致性组对比学习（Group-CL-RC）框架，旨在通过保留组间关系几何来提升多光谱遥感分类的鲁棒性。该研究在EuroSAT All Bands数据集上使用四个骨干网络（ConvNeXt-Tiny、ResNet-50、EfficientNet-B0、Swin-Tiny）进行清洁和鲁棒性评估，包含辐射漂移、空间掩膜、K-drop波段移除和复合光谱–空间破坏（CS2C）四种结构化扰动，并在SEN12MS（仅Sentinel-2）上通过标准协议和季节偏移协议进行外部验证。结果表明，Group-CL-RC在保持强清洁性能的同时，显著提升了鲁棒性，尤其在K-drop和CS2C下增益最大；SEN12MS验证了这种鲁棒性趋势的可迁移性，但相比标准组对比学习（Group-CL）的增益具有扰动依赖性。消融实验表明，关系一致性本身是一种有效的鲁棒性机制，尤其在光谱组可用性退化时；关系变形诊断显示，Group-CL-RC主要降低决策层对关系扭曲的敏感性，而非直接最小化原始变形幅度。该论文发表在《Technologies》，其意义在于揭示了组间关系几何可作为多光谱遥感分类中一种可解释且有效的鲁棒性训练目标。
为开展研究，研究人员主要采用了以下关键方法：1）光谱组分解：将Sentinel-2波段划分为VIS、NIR、SWIR三个物理意义明确的光谱组，并定义确定性掩膜算子生成组级视图；2）共享多光谱编码器：使用同一骨干网络（如ResNet-50、ConvNeXt-Tiny等）处理完整多光谱图像和组级掩膜视图，通过投影头将特征映射到公共嵌入空间；3）融合分类分支：将RGB分支（取自VIS波段）与完整多光谱嵌入拼接，经轻量级投影模块后使用ArcFace角度边距损失进行监督分类；4）组级对比学习：采用InfoNCE损失，在RGB–MS、VIS–NIR、VIS–SWIR、NIR–SWIR四对视图间进行对比对齐，并引入预热/渐进上升调度；5）关系一致性正则化：计算清洁和训练时退化视图下VIS、NIR、SWIR嵌入之间的两两相似度构成三元组描述符，通过L2损失最小化两者差异；默认训练时退化采用K-drop（移除NIR+SWIR组中的k个波段）。样本来源包括EuroSAT All Bands（13波段Sentinel-2，10类土地覆盖）和SEN12MS（仅保留10个Sentinel-2波段，8类土地覆盖，含标准场景分离和季节偏移两种协议）。
5.1 Clean Performance on EuroSAT：Group-CL-RC在所有四个骨干网络上均保持了强清洁性能，与多光谱基线（ms_only）的Macro-F1差异极小（+0.0004至+0.0022），表明鲁棒性导向的目标未引入有意义的清洁性能损失。
5.2 Robustness Under Structured Spectral and Spatial Corruptions on EuroSAT：在匹配评估点下，Group-CL-RC在所有四个扰动族中均提升了Macro-F1。最大增益出现在CS2C（从0.7094升至0.9465）和K-drop（从0.7572升至0.9461）；辐射漂移和掩膜也产生了持续的正向增益。骨干层级分析显示，增益在四个骨干上一致出现。
5.3 Statistical Significance of EuroSAT Robustness Gains：配对统计检验证实，在非清洁扰动条件下，Group-CL-RC的增益具有统计支持（全局Macro-F1从0.7807升至0.9560，相对提升+22.46%），经Holm校正后仍显著。
5.4 Matched External-Baseline Comparison：与监督抗性训练（CorruptTrain-MS）、监督对比学习（SupCon-MS）和配对视图InfoNCE（Paired-View InfoNCE-MS）对比，Group-CL-RC在ConvNeXt-Tiny下接近最强鲁棒平均值，在Swin-Tiny下保持最高清洁Macro-F1，但CorruptTrain-MS在Swin-Tiny下鲁棒性更强，表明Group-CL-RC是竞争性且可解释的光谱关系目标，而非普遍主导策略。
5.5 External Validation on SEN12MS：在SEN12MS外部验证中，Group-CL-RC与group_cl均显著优于ms_only，但Group-CL-RC在K-drop下具有统计支持的额外增益（0.5333对0.4324），而CS2C下group_cl均值更高。总体表明组结构化学习具有鲁棒性价值，但关系一致性的额外优势具有扰动依赖性。
5.6 Objective-Component Ablation：隔离组级对比学习（group_cl）和关系一致性（group_rc）发现，group_rc在CS2C和掩膜下优于group_cl，而Group-CL-RC在K-drop下最优，表明两者在光谱组可用性退化时互补。
5.7 Descriptor-Granularity Ablation：引入红边感知描述符（增加红边组）在非清洁条件下提升Macro-F1 0.0109，但训练时间增加约19.5%，默认紧凑VIS–NIR–SWIR描述符是更优平衡。
5.8 Training-Time Corruption Ablation：K-drop on NIR+SWIR作为默认训练时扰动获得最佳整体鲁棒性，但掩膜非RGB在掩膜和CS2C评估下更优，表明训练时扰动设计是重要因素。
5.9 Worst-Case and Retention Analysis：Group-CL-RC在四个扰动族中均改善了最差情况Macro-F1，并保留了更大比例的清洁性能（CS2C下平均保留率从0.7573升至0.9076）。
5.10 Relation-Deformation Sensitivity Analysis：关系变形诊断显示，Group-CL-RC降低了Macro-F1下降对关系变形的敏感度（斜率从0.2623降至0.0917），且即使在原始变形较大时也能保持更稳定的分类决策，表明其作用是提升容忍度而非最小化变形本身。
5.11 Qualitative Analysis：代表性示例展示了基线在扰动下预测错误而Group-CL-RC保持正确决策的情况，涵盖漂移、掩膜、K-drop和CS2C。
5.12 Computational Profiling：Group-CL-RC的推理参数量和MACs与基线基本相同，主要训练开销来自退化视图处理和关系一致性计算（训练时间约2.03–2.29倍），峰值GPU内存均在实用范围内。
总结讨论部分：研究人员指出，实验支持组间关系几何作为多光谱遥感分类鲁棒性目标的有效性，最大增益出现在CS2C和K-drop下。与外部基线对比显示，Group-CL-RC是竞争性且可解释的目标，但非普遍主导。关系一致性并非强制不变性，而是降低决策层对关系扭曲的敏感性。清洁准确率与鲁棒性是两个独立目标，需在评估中区分。组级对比学习与关系一致性互补，尤其在光谱组可用性退化时。训练时扰动设计应视为重要因素。实际部署中，该方法对非可见光谱退化尤为相关，且推理开销低。局限性包括：主要基于EuroSAT，SEN12MS仅限Sentinel-2，扰动为受控近似，描述符简洁但未捕获高阶依赖，默认训练时扰动可能非最优。未来可扩展至更大数据集、跨传感器、下游任务及自适应课程学习。
研究结论部分翻译：本文介绍了关系一致性组对比学习（Group-CL-RC），一种针对Sentinel-2多光谱土地覆盖分类的鲁棒性导向表示学习框架。核心思想是利用类判别嵌入以及物理意义明确的VIS、NIR、SWIR光谱组之间的关系几何。通过结合组级对比对齐与关系一致性正则化，Group-CL-RC将多光谱图像的内部结构作为光谱退化下的训练时鲁棒性信号。在EuroSAT All Bands上的实验表明，Group-CL-RC在保持强清洁分类性能的同时，提升了在辐射漂移、空间掩膜、K-drop波段移除和复合光谱–空间破坏下的鲁棒性，最大增益出现在K-drop和CS2C下，确认了关系感知正则化在非可见光谱信息退化、缺失或结构扭曲时尤为有用。仅含Sentinel-2的SEN12MS验证进一步支持了该方法的鲁棒性导向行为，但相比标准Group-CL的优势具有扰动依赖性。匹配的外部基线对比表明，抗性训练和对比目标在受控EuroSAT评估中是强竞争者，将Group-CL-RC定位为竞争性且可解释的关系感知目标，而非普遍主导的训练策略。消融研究阐明了这些增益的来源和范围：关系一致性自身有效，完整Group-CL-RC目标在K-drop下具有最清晰优势，组级对齐与关系一致性互补。描述符粒度和训练时扰动消融表明鲁棒性依赖于关系描述符和优化时使用的退化视图。关系变形诊断表明，Group-CL-RC不应被理解为简单最小化原始变形幅度，而是降低变形对分类退化的下游影响，解释了方法在描述符大幅变化时仍能保持正确决策的原因。计算概况显示鲁棒性改进主要来自训练时开销而非更重的推理模型。未来工作应扩展至更广泛的多光谱和高光谱数据集、更大地理与时间场景、跨区域和跨传感器评估，以及语义分割、作物监测等下游任务，并探索更丰富的关系描述符、自适应扰动课程和部署特定退化模型。
