[發明專利]基于自動神經網絡的具有終身學習能力的高光譜分類方法

有效

• 申請號: 202110187864.9
• 申請日: 2021-02-09
• 公開（公告）號: CN112801204B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 彭元喜;胡祥;楊文婧;周侗;劉煜;楊紹武;黃達;藍龍;徐利洋;李雪瓊;任靜;徐煒遐
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/774;G06V10/776;G06V10/82;G06V20/10;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 王文惠

本發明公開了一種基于自動神經網絡的具有終身學習能力的高光譜分類方法。本發明步驟為，S1：對原始數據進行傳統的主成分分析；S2：將數據隨機劃分為訓練集、驗證集和測試集；S3：將訓練集樣本輸入到卷積神經網絡中進行處理，當運行于第一個任務時，基于數據樣本和給定的自動神經網絡設定參數空間，分析不同網絡結構性能，完成搜索后，記錄模型驗證集準確率，根據驗證集準確率采用最高性能模型；S4：根據結果計算損失，再通過反向傳播修改網絡參數，不斷重復上述訓練過程；S5：將測試集樣本放入分類模型中，對提取的特征進行處理，進行分類預測。通過Softmax作為輸出層，實現分類計算。本發明能夠明顯提升在多種高光譜圖像連續進行分類的效果。

技術領域

本發明屬于高光譜智能感知領域，涉及一種基于自動神經網絡的具有終身學習能力的高光譜分類方法，可用于對高光譜圖像進行目標分類。

背景技術

高光譜圖像是成像光譜儀獲取的圖像。通常，在高光譜圖像中，圖像波段從數百到數千不等，覆蓋了很寬的光譜頻率范圍。其中，每個像素提供一個光譜特征，由于光譜頻率覆蓋范圍大，包含信息多。這使得圖像中包含的不同材料之間有了更好的區分，從而使高光譜圖像在許多應用中成為分析地球表面的工具。高光譜圖像分析技術種類較多，包括分類、光譜分解、目標和異常檢測。

近年來，高光譜圖像分類已成為遙感領域的一個熱門研究課題。高光譜圖像分類的目標是為圖像中的每個像素分類到與之對應的類標簽。為了開發有效的高光譜圖像分類方法，人們做了很多努力。傳統上，將每個高光譜圖像像素看作互不相關的光譜信息實體，依據其對應材料的不同劃分成不同種類。這類方法被稱為基于光譜的方法。

但由于該方法本身無法利用像素點的空間特征，因此基于光譜的分類方法分類效果并不好。而深度神經網絡由于能夠從原始數據中分層提取更抽象的數據表示，在高光譜圖像分類中受到廣泛關注。換言之，深度神經網絡能夠在淺層網絡中學習簡單的特征，然后通過合并較簡單的特征在更深層次網絡中構建更復雜的特征。尤其是卷積神經網絡，其強大的特征檢測能力使其成為一種具有廣泛代表性的深度模型，極大地提高了對目標的分類和檢測能力。因此，卷積神經網絡能夠在高光譜圖像分類中得到很好的推廣。特別是，其基本架構能夠自然地集成高光譜圖像中包含的光譜和空間信息，不僅考慮到每個像素的光譜特征，而且還考慮到圍繞它的鄰域像素的光譜信息。專利CN108596213A公開了一種基于卷積神經網絡的高光譜遙感圖像分類方法，其首先對高光譜圖像數據進行歸一化預處理，將數據集分為訓練集和測試集，利用歸一化預處理后的訓練集對三維卷積神經網絡進行訓練，最后將預處理后的測試集通過訓練好的三維卷積神經網絡進行貝葉斯分類，得到分類結果圖像數據。該方法基于卷積神經網絡模型具有的局部特征檢測能力，能夠自主地提取光譜特征，擁有比傳統方式更高的分類性能；但由于該方法使用的神經網絡在學習新任務的過程中會遺忘關于舊任務的知識，不具有終身學習的能力，因而無法運用于持續學習的場景中。

總體而言，當前的高光譜圖像分類技術要么無法充分利用空譜聯合信息，使得分類精度有所下降；要么在學習新任務的過程中會遺忘關于舊任務的知識，不具有終身學習的能力。本發明對傳統卷積神經網絡結構進行改良，提出了一種具有終身學習能力的高光譜圖像分類自動神經網絡結構，該方法能有效克服經典神經網絡具有的遺忘性，在學習新任務的過程中不會遺忘關于舊任務的知識，可以運用于持續學習的場景。

發明內容

本發明針對傳統的神經網絡分類方法具有遺忘性，在學習新任務的過程中會遺忘關于舊任務的知識，不能運用于持續學習場景等缺點，在傳統神經網絡中使用可塑權重鞏固方法，通過有選擇地減緩對那些任務重要的權重的學習來記住與舊任務有關的知識，解決了神經網絡中的遺忘性難題。本發明主要解決的技術問題在于：使用可塑權重鞏固方法，利用具有終身學習能力的自動卷積神經網絡，避免對原有知識的災難性遺忘。

為解決上述技術問題，本發明的技術方案是：

基于自動神經網絡的具有終身學習能力的高光譜分類方法，其步驟為：