[發明專利]基于深度學習的無監督高光譜圖像分類方法在審
| 申請號： | 202010622917.0 | 申請日： | 2020-06-30 |
| 公開（公告）號： | CN111783884A | 公開（公告）日： | 2020-10-16 |
| 發明（設計）人： | 郭延輝;智緒威;曲富麗;于謙 | 申請（專利權）人： | 山東女子學院 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465 | 代理人： | 符繼超 |
| 地址： | 250300 山東省濟*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 深度 學習 監督 光譜 圖像 分類 方法 | ||
【權利要求書】：
1.一種基于深度學習的無監督高光譜圖像分類方法，其特征在于，包括如下步驟：
S1、引入高光譜圖像的負樣本，結合原始高光譜圖像構成高光譜圖像樣本，將高光譜圖像樣本劃分為訓練數據和待預測數據，并對分別對二者進行維度壓縮，得到壓縮后的訓練數據和待預測數據；
S2、對壓縮后的訓練數據進行自回歸，生成上下文信息；
S3、根據上下文信息和壓縮后待預測數據之間的互信息進行高光譜圖像樣本的自身預測，得到用于特征提取的對比預測編碼器；
S4、將預測編碼器應用在待分類高光譜圖像上，得到特征數據，使用K-Means聚類算法，對特征數據進行無監督分類。
2.根據權利要求1所述的一種基于深度學習的無監督高光譜圖像分類方法，其特征在于，所述S1還包括訓練數據和待預測數據分別經過對比預測編碼器壓縮至低維空間，即進行特征提取。
3.根據權利要求1所述的一種基于深度學習的無監督高光譜圖像分類方法，其特征在于，所述S3還包括通過損失計算調整對比預測編碼器權重的步驟：
壓縮后的訓練數據通過自回歸模型得到上下文信息，經過對比預測編碼器得到預測數據，預測數據與待預測數據點積計算損失，計算的損失反饋給對比預測編碼，修改對比預測編碼器各卷積層的權重。
4.根據權利要求1所述的一種基于深度學習的無監督高光譜圖像分類方法，其特征在于，所述S1中負樣本獲取的方法包括波動法、亂序法和錯位法。
下載完整專利技術內容需要扣除積分，VIP會員可以免費下載。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于山東女子學院，未經山東女子學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010622917.0/1.html，轉載請聲明來源鉆瓜專利網。
