[發(fā)明專利]基于生成對(duì)抗網(wǎng)絡(luò)的高光譜影像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910862507.0
• 申請(qǐng)日: 2019-09-12
• 公開(kāi)（公告）號(hào): CN110610156A
• 公開(kāi)（公告）日: 2019-12-24
• 發(fā)明（設(shè)計(jì)）人: 馬貞立;陳月;朱敏;葛文雅;高藝恬;王家偉
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 32204 南京蘇高專利商標(biāo)事務(wù)所(普通合伙)
• 代理人: 饒欣

本發(fā)明公開(kāi)了一種基于生成對(duì)抗網(wǎng)絡(luò)的高光譜影像分類方法，包括以下步驟：S1：將噪聲信號(hào)的線性插值采樣結(jié)果輸入到生成器G中，得到生成光譜樣本；S2：對(duì)真實(shí)的光譜數(shù)據(jù)隨機(jī)采樣，得到真實(shí)光譜樣本；S3：將生成光譜樣本和真實(shí)光譜樣本作為判別器的輸入，判別器的輸出值為該輸入屬于真實(shí)樣本的概率，根據(jù)判定結(jié)果計(jì)算判別器和生成器的損失函數(shù)；S4：反向傳播時(shí)，根據(jù)各自的損失函數(shù)更新判別器、分類器和生成器的參數(shù)。本發(fā)明能夠解決原始光譜樣本數(shù)據(jù)量小且存在噪聲信號(hào)以及梯度消失的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及高光譜遙感圖像處理技術(shù)，特別是涉及基于生成對(duì)抗網(wǎng)絡(luò)的高光 譜影像分類方法。

背景技術(shù)

高光譜影像信息量大、噪聲信息多，即使光譜分辨率可以達(dá)到10^-2λ級(jí)別， 但由于電磁輻射和大氣的相互作用的干擾，地物特征會(huì)被掩蓋。這些干擾一直是 高光譜影像分類研究的難題。傳統(tǒng)的分類算法雖然能夠處理高維數(shù)據(jù)和噪聲信號(hào)， 但無(wú)法解決高光譜樣本量過(guò)少的問(wèn)題，這極大制約了分類算法的性能。對(duì)于高光 譜影像分類而言，如果能夠在增加訓(xùn)練樣本量的同時(shí)選用性能優(yōu)異的分類網(wǎng)絡(luò)， 定會(huì)得到較高精度的分類模型。因此，這類模型具有深遠(yuǎn)的研究意義。由于 Goodfellow提出的原始GAN存在諸多不足之處，除了梯度消失，還存在模式崩 潰(mode collapse)的現(xiàn)象。導(dǎo)致只能學(xué)習(xí)部分樣本特征，訓(xùn)練得到的生成樣本 也過(guò)于單一。因而后人提出了許多改進(jìn)模型：Mirza等人提出了條件生成對(duì)抗網(wǎng) 絡(luò)CGAN；Berthelot等人提出了一種邊界均衡GAN，即BEGAN，甚至于有結(jié) 合強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)了專門(mén)用于生成文本的seq-GAN；Martin Arjovsky等人則嘗試加 入Wasserstein距離代替J-S散度，用以訓(xùn)練GAN，并把這種模型稱之為WGAN。 WGAN從理論上解決了梯度消失的問(wèn)題，在計(jì)算判別器和生成器各自的概率分 布之間的差異時(shí)，通過(guò)Wasserstein距離，而非最大似然中常用的K-L散度，并 且引入梯度懲罰的手段去更新?lián)p失函數(shù)。因而WGAN在保證生成樣本的多樣性 的同時(shí)，在實(shí)驗(yàn)中通過(guò)梯度懲罰的手段，又提高了訓(xùn)練速度。因此本發(fā)明決定采 用WGAN作為分類模型的組成部分。此外，在高光譜影像分類任務(wù)中，使用半 監(jiān)督學(xué)習(xí)的WGAN作為特征提取，結(jié)合SVM分類器或CNN分類器事半功倍。 雖然WGAN生成的光譜樣本數(shù)量極大地豐富了訓(xùn)練的原始材料，但是，一個(gè)好 的深層網(wǎng)絡(luò)才能勝任大批量數(shù)據(jù)集的分類任務(wù)。利用CNN內(nèi)部卷積核之間權(quán)值 共享的方式，可以以極少的代價(jià)擬合出相當(dāng)復(fù)雜的網(wǎng)絡(luò)特性，這成為大多數(shù)分類 任務(wù)的不二選擇。如果單獨(dú)使用CNN對(duì)高光譜影像分類，會(huì)因?yàn)闃颖緮?shù)過(guò)少而 模型網(wǎng)絡(luò)層數(shù)過(guò)多導(dǎo)致過(guò)擬合的現(xiàn)象。

發(fā)明內(nèi)容

發(fā)明目的：為了解決原始光譜樣本數(shù)據(jù)量小且存在噪聲信號(hào)以及梯度消失的 問(wèn)題，保證生成樣本的多樣性，在生成足夠多的光譜樣本的同時(shí)，用網(wǎng)絡(luò)參數(shù)復(fù) 雜的卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)量龐大的混合樣本進(jìn)行分類，本發(fā)明提供了一種基于生成 對(duì)抗網(wǎng)絡(luò)的高光譜影像分類方法。

技術(shù)方案：本發(fā)明所述的基于生成對(duì)抗網(wǎng)絡(luò)的高光譜影像分類方法，包括以 下步驟：

S1：將噪聲信號(hào)的線性插值采樣結(jié)果輸入到生成器G中，得到生成光譜樣 本；

S2：對(duì)真實(shí)的光譜數(shù)據(jù)隨機(jī)采樣，得到真實(shí)光譜樣本；

S3：將生成光譜樣本和真實(shí)光譜樣本作為判別器的輸入，判別器的輸出值為 該輸入屬于真實(shí)樣本的概率，根據(jù)判定結(jié)果計(jì)算判別器和生成器的損失函數(shù)；

S4：反向傳播時(shí)，根據(jù)各自的損失函數(shù)更新判別器、分類器和生成器的參數(shù)。

進(jìn)一步，所述生成器的損失函數(shù)為：

式(1)中，L_G為生成器的損失函數(shù)。

進(jìn)一步，所述判別器的損失函數(shù)為：