[發明專利]基于三維稠密連接卷積神經網絡的高光譜圖像分類方法

有效

• 申請號: 201810243423.4
• 申請日: 2018-03-23
• 公開（公告）號: CN108491849B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 竇曙光;王文舉;姜中敏
• 申請（專利權）人: 上海理工大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06K9/00
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

1.一種基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，采用三維的稠密連接的卷積神經網絡模型對高光譜圖像進行分類，其特征在于，包括以下步驟：

步驟一，輸入高光譜圖像的多通道的三維立方數據塊；

步驟二，通過三維稠密光譜塊對所述三維立方數據塊進行處理，學習提取所述高光譜圖像的多通道之間的譜間特征得到譜間特征圖；

步驟三，通過三維過渡層對所述譜間特征圖進行處理得到壓縮特征圖；

步驟四，通過三維稠密空間譜塊對所述壓縮特征圖進行處理，學習提取所述高光譜圖像的空間特征得到空間特征圖；

步驟五，將所述空間特征圖依次經過池化層、壓縮層、dropout層以及全連接層得到一個預測標簽向量；

步驟六，確定待優化的目標函數；

步驟七，將所述預測標簽向量代入所述目標函數中，得到迭代訓練的損失；

步驟八，根據所述迭代訓練的損失，對三維稠密連接卷積神經網絡模型的待優化參數進行優化；

步驟九，多次重復步驟一至五以及步驟七、八，對所述待優化參數進行多次優化得到所述迭代訓練的損失最小時的預測標簽向量，即為所述高光譜圖像的分類結果。

2.根據權利要求1所述的基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，其特征在于：

其中，所述三維立方數據塊的選取方法為：對具有L個通道大小為H×W的高光譜圖像，從其原始像素中以一個像素為中心選取r×r×L大小的所述三維立方數據塊，記作x^(r×r×L)，

r×r表示所述三維立方數據塊的空間圖像大小。

3.根據權利要求2所述的基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，其特征在于：

其中，所述預測標簽向量的維度為C，

Dense(·)表示三維稠密連接卷積神經網絡模型；C為所述高光譜圖像待分類的類別數；δ為待優化參數；

所述高光譜圖像的交叉熵損失函數L_s為，

m表示規范層所包含的樣本大小；xi表示所述全連接層的第i層的輸入特征，它屬于第y_i類；W_j表示在最后的所述全連接層中的權重W的第j列；b表示偏置項；

所述高光譜圖像的中心損失函數L_c為，

Cy_i表示第y_i類的深度特征中心，

所述目標函數F為交叉熵損失函數L_s與中心損失函數L_c之和的最小值，即

4.根據權利要求1所述的基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，其特征在于：

其中，步驟二之前還包括：從所述三維立方數據塊中選取目標像元立方數據，得到大小為r×r×b的n個特征圖，這些特征圖作為所述三維稠密光譜塊的輸入，記為中的下標1表示該數據位于三維稠密光譜塊中，上標0表示該數據位于三維稠密光譜塊中的起始位置。

5.根據權利要求4所述的基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，其特征在于：

其中，所述三維稠密光譜塊和所述三維稠密空間塊均包括以稠密連接方式連接的多層三維復合卷積層，

每層所述復合卷積層包括依次連接的規范層、激活層以及三維卷積層，

所述三維稠密光譜塊的三維卷積層的卷積核的大小為1×1×d，卷積核的數量為k，

所述三維稠密空間塊的三維卷積層的卷積核的大小為a×a×g，卷積核的數量為k，

a×a為空間圖像的大小，d、g為通道的數量。

6.根據權利要求5所述的基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，其特征在于：

其中，所述三維稠密光譜塊的多層所述三維復合卷積層記作D₁(·)，

所述三維稠密光譜塊中第1層所述三維復合卷積層的輸出為

所述三維稠密光譜塊中第l層所述三維復合卷積層的輸出為

所述三維稠密光譜塊的第l層所述三維復合卷積層的輸出的特征圖即為所述譜間特征圖，所述譜間特征圖的數量為