[發(fā)明專利]聯(lián)合稠密連接網(wǎng)絡(luò)和樣本分布的高光譜開放集分類方法

有效

• 申請?zhí)枺?/td>: 202011151970.3
• 申請日: 2020-10-24
• 公開（公告）號: CN112200123B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 江天;劉煜;侯靜;彭元喜;周侗
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/77;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 國防科技大學(xué)專利服務(wù)中心 43202
• 代理人: 王文惠

1.聯(lián)合稠密連接網(wǎng)絡(luò)和樣本分布的高光譜開放集分類方法，其特征在于，具體包括下述步驟：

步驟S1：對輸入的高光譜圖像進(jìn)行預(yù)處理；

預(yù)處理分為五個步驟，依次為高光譜數(shù)據(jù)標(biāo)注、最小最大值歸一化、雙邊濾波器濾波、主成分分析降維、最小最大值歸一化；

(1a)高光譜數(shù)據(jù)標(biāo)注：基于先驗信息，賦予各個已知類標(biāo)簽信息，并對高光譜數(shù)據(jù)中屬于各個已知類的像素進(jìn)行標(biāo)注；

(1b)進(jìn)行最小最大值歸一化，歸一化公式為：

式中x_ijd和分別代表歸一化處理前后的高光譜影像數(shù)據(jù)；(i,j)代表高光譜影像像素的空間位置坐標(biāo)；d代表高光譜影像的第d個波段；x_max和x_min分別代表三維高光譜影像數(shù)據(jù)中的最小值和最大值；a和b均為常數(shù)，使得歸一化后的數(shù)值在(0,1)范圍內(nèi)，且不包括0和1；

(1c)雙邊濾波器濾波

輸入高光譜圖像，對其所有波段處的圖像使用雙邊濾波器進(jìn)行濾波；通過改變雙邊濾波器濾波窗口的直徑調(diào)節(jié)雙邊濾波器對高光譜圖像的濾波效果，進(jìn)一步提高高光譜的分類精度；

(1d)主成分分析降維

對濾波后的高光譜圖像數(shù)據(jù)進(jìn)行主成分分析降維，降維后的波段數(shù)為L；

(1e)重復(fù)最小最大值歸一化；

步驟S2：數(shù)據(jù)分割：具體分為三步進(jìn)行操作，如下所示：

(2a)對高光譜影像空間域的邊沿進(jìn)行擴(kuò)充，擴(kuò)充的寬度為使其維度由(H,W,L)擴(kuò)展成為邊沿擴(kuò)展層的數(shù)值均為0；

(2b)以待分類像素為中心，以m×m×L鄰域范圍內(nèi)的數(shù)據(jù)塊H_m×m×L作為中心像素的樣本數(shù)據(jù)，逐個像素地遍歷高光譜數(shù)據(jù)，生成大量維度為m×m×L的數(shù)據(jù)塊；

(2c)對中心像素屬于已知類的數(shù)據(jù)塊，以中心像素所屬標(biāo)簽為該數(shù)據(jù)塊的標(biāo)簽；

其中，(H,W,L)分別代表高光譜影像空間域的長、寬值和光譜域的光譜通道數(shù)；m代表數(shù)據(jù)塊在空間域的長寬值；

步驟S3：生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

從步驟S2提取出來的帶有標(biāo)簽的數(shù)據(jù)塊中隨機(jī)抽取20％的數(shù)據(jù)塊作為分類模型的訓(xùn)練數(shù)據(jù)集，其余的數(shù)據(jù)塊作為測試數(shù)據(jù)集；測試數(shù)據(jù)集包括剩余80％的帶有標(biāo)簽的數(shù)據(jù)塊和所有沒有標(biāo)簽的數(shù)據(jù)塊；

步驟S4：構(gòu)建1D/2D稠密連接網(wǎng)絡(luò)模型，其中網(wǎng)絡(luò)整體結(jié)構(gòu)如下：

網(wǎng)絡(luò)由1D光譜特征提取分支和2D空間特征提取分支并聯(lián)組成，數(shù)據(jù)塊Λ同時輸入這兩條分支，其中Λ∈H_m×m×L；

在1D光譜特征提取分支：數(shù)據(jù)塊Λ首先通過一個寬度為24的1D卷積層；然后通過一個寬度為12、層數(shù)為3的1D稠密連接模塊；接著通過一個寬度為60的1D自適應(yīng)卷積層；然后通過全局平均池化得到形狀為(1,60)的光譜特征矢量v_Spectral；1D自適應(yīng)卷積層根據(jù)稠密連接模塊輸出結(jié)果調(diào)整1D卷積層中卷積核的尺寸，從而將數(shù)據(jù)從三維降到二維；

在2D空間特征提取分支：數(shù)據(jù)塊Λ首先通過一個寬度為24的1D自適應(yīng)卷積層；然后通過一個寬度為12、層數(shù)為3的2D稠密連接模塊；接著通過全局平均池化操作得到形狀為(1,60)的空間特征矢量v_Spatial；1D自適應(yīng)卷積層根據(jù)數(shù)據(jù)塊Λ的長度L調(diào)整1D卷積層中卷積核的尺寸，從而將數(shù)據(jù)從三維降到二維；

得到光譜特征矢量v_Spectral和空間特征矢量v_Spatial后，使用numpy.concatenate操作將二者串聯(lián)形成一個形狀為(1,120)的聯(lián)合特征矢量v,表示為v＝[v_Spectral,v_Spatial]；其次，將聯(lián)合特征矢量v依次通過寬度為64的全連接層，保存率設(shè)置為0.6的Dropout層，寬度為N的全連接層，得到一個形狀為(1,N)的矢量s，其中N為已知類別數(shù)；矢量s經(jīng)過SoftMax分類器得到數(shù)據(jù)塊Λ相對于各已知類的概率分布P∈(P₁,P₂,…,P_N)，其中P_i為該數(shù)據(jù)塊屬于第i類已知類的概率值，i＝1,2，…,N；

對于數(shù)據(jù)塊Λ，argmax(P)為模型預(yù)測的類別，max(P)為屬于類別argmax(P)的概率值；所述的稠密連接網(wǎng)絡(luò)：第l層輸出的特征圖為X_l；第l層的輸出是由l層前面所有層的特征圖連接組成的，表示為X_l＝H_l([X₀,...,X_l-1])，式中H_l(·)代表稠密連接網(wǎng)絡(luò)內(nèi)部第l層卷積層的非線性函數(shù)，其包含歸一化Batch Normalization操作、激活函數(shù)和卷積操作，[·,...,·]表示光譜通道維的numpy.concatenate操作；

步驟S5：利用訓(xùn)練數(shù)據(jù)集訓(xùn)練1D/2D稠密連接網(wǎng)絡(luò)模型；

訓(xùn)練過程中，每次隨機(jī)不重復(fù)地從訓(xùn)練集里抽取32個樣本為一批訓(xùn)練數(shù)據(jù)，將所述訓(xùn)練數(shù)據(jù)輸入到構(gòu)建好的1D/2D稠密連接網(wǎng)絡(luò)模型中，得到模型的預(yù)測結(jié)果；以預(yù)測結(jié)果與標(biāo)簽之間的交叉熵為損失函數(shù)，計算網(wǎng)絡(luò)權(quán)值的偏導(dǎo)數(shù)，并采用隨機(jī)梯度下降方法更新網(wǎng)絡(luò)參數(shù)，直至網(wǎng)絡(luò)收斂；訓(xùn)練過程遍歷整個訓(xùn)練集一次為一輪訓(xùn)練；

步驟S6：使用箱線圖方法對訓(xùn)練數(shù)據(jù)的預(yù)測概率值進(jìn)行異常值數(shù)據(jù)捕獲、構(gòu)造相應(yīng)統(tǒng)計型特征，具體如下：

對于屬于同一類且分類正確的訓(xùn)練數(shù)據(jù)，統(tǒng)計其屬于該類別的概率值，構(gòu)建箱線圖，使用(Q₁－1.5×IQR)作為異常值判斷閾值，其中Q₁為25％分位數(shù)，IQR為四分位數(shù)全距；以此方法得到不同已知類的異常值判斷閾值t∈(t₁,t₂,…,t_N)，其中t_i為第i類已知類的異常值判斷閾值，i＝1,2，…,N；

步驟S7：將測試數(shù)據(jù)輸入訓(xùn)練好的1D/2D稠密連接網(wǎng)絡(luò)模型，得到測試數(shù)據(jù)相對于各已知類的概率分布P；其次使用步驟S6得到的各已知類異常值判斷閾值實現(xiàn)開放集分類：若概率分布P中的最大值max(P)大于已知類argmax(P)的判斷閾值t_argmax(P)，則測試數(shù)據(jù)屬于已知類argmax(P)，否則屬于未知類，即第(N+1)類；其公式為：

式中y為開放集分類結(jié)果。