[發明專利]基于偽標簽學習的小樣本高光譜圖像分類方法

有效

• 申請號: 202010167527.9
• 申請日: 2020-03-11
• 公開（公告）號: CN111401426B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 魏巍;李宇;張磊
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 常威威

1.一種基于偽標簽學習的小樣本高光譜圖像分類方法，其步驟如下：

步驟1：以高光譜像素點為中心對其周圍像素進行采樣，生成高光譜數據樣本，并以帶標簽的樣本構成小樣本數據集T＝{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，其中，表示第i個標記樣本，w為采樣窗口的大小，w取值為3、5或7，d為高光譜圖像的波段數，為第i個標記樣本的標簽，標簽y_i采用獨熱編碼的形式，為L維向量，L為類別數，i＝1，2，...，n，n為標記樣本數量；以無標簽樣本構成測試數據集U＝{z₁，z₂，…，z_m}，其中，表示第j個未標記樣本，j＝1，2，...，m，m為未標記樣本的數量；所述的標記樣本數量n的取值為L、3*L、5*L，所述的未標記樣本數量m的取值為樣本總數與標記樣本數量之差；

步驟2：以第l類的第k個標記樣本h_lk作為第l類的第k個代理agent_lk，l＝1，2，…，L，k＝1，2，…，l_n，l_n表示第l類標記樣本的數量；分別計算第p個未標記樣本z_p與所有代理間的距離，p＝1，2，...，m，并選擇每一類中距離其最近的代理作為未標記樣本z_p在這一類中的參考代理，得到未標記樣本z_p的參考代理序列其中，表示未標記樣本z_p在第l類中的參考代理；然后，按照計算得到未標記樣本z_p的軟-偽標簽向量中的第l個元素值，從而得到未標記樣本z_p的軟-偽標簽向量其中，表示參考代理與未標記樣本z_p之間的距離，softmax(·)為歸一化指數函數；以測試數據集中所有未標記樣本和其軟-偽標簽共同構成輔助數據集

步驟3：構造二分支深度神經網絡，包括一個特征提取器和兩個分類器，兩個分類器分別為小樣本分類器和輔助樣本分類器，特征提取器和小樣本分類器構成網絡的小樣本分類分支，特征提取器和輔助樣本分類器構成網絡的輔助樣本分類分支；所述的特征提取器為任意卷積神經網絡，分類器僅為一層或若干層全連接層；

將小樣本數據集輸入到小樣本分類分支，將輔助數據集輸入到輔助樣本分類分支，分別經特征提取器提取得到其判別特征，再經過不同的分類器分別得到其類別預測標簽；設定小樣本數據集分類器和輔助數據集分類器的損失函數均為交叉熵函數，采用隨機梯度下降方法和Adam優化器對網絡進行優化訓練，得到訓練好的網絡；

步驟4：將測試數據集輸入到步驟3得到的訓練好的網絡中的小樣本分類分支，得到分類結果。