[發(fā)明專利]顧及極化統(tǒng)計特性的非監(jiān)督域自適應(yīng)網(wǎng)絡(luò)極化SAR地物分類方法及設(shè)備

有效

• 申請?zhí)枺?/td>: 202110348030.1
• 申請日: 2021-03-31
• 公開（公告）號: CN113269024B
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計）人: 汪長城;李倩;沈鵬;高晗
• 申請（專利權(quán)）人: 中南大學
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/762;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 長沙市融智專利事務(wù)所(普通合伙) 43114
• 代理人: 熊開蘭

1.一種顧及極化統(tǒng)計特性的非監(jiān)督域自適應(yīng)網(wǎng)絡(luò)極化SAR地物分類方法，其特征在于，包括：

步驟1，選取帶有樣本標簽的極化SAR數(shù)據(jù)計算生成協(xié)方差矩陣C₃，作為源域數(shù)據(jù)集標簽為c的第i個樣本且源域數(shù)據(jù)集的樣本標簽包括Num類，c＝1，2，…，Num；將沒有樣本標簽的極化SAR數(shù)據(jù)計算生成協(xié)方差矩陣C₃，作為目標域數(shù)據(jù)集中的第j個樣本

步驟2，計算源域數(shù)據(jù)集各類標簽c的聚類中心作為源域數(shù)據(jù)集初始的聚類中心使用源域數(shù)據(jù)集的聚類中心初始化目標域數(shù)據(jù)集的聚類中心為

步驟3，使用源域數(shù)據(jù)集和目標域數(shù)據(jù)集分別輸入至各自對應(yīng)的復卷積神經(jīng)網(wǎng)絡(luò)；源域?qū)?yīng)的復卷積神經(jīng)網(wǎng)絡(luò)輸出端設(shè)置的softmax分類器，輸出源域數(shù)據(jù)集的樣本分類結(jié)果；目標域?qū)?yīng)的復卷積神經(jīng)網(wǎng)絡(luò)，輸出與目標域數(shù)據(jù)集中的樣本對應(yīng)的重構(gòu)特征，所有樣本的重構(gòu)特征構(gòu)成重構(gòu)特征集；

步驟4，對目標域數(shù)據(jù)集中每個樣本：均計算其對應(yīng)重構(gòu)特征與每個聚類中心之間的Wishart距離，通過選取其中最小距離對應(yīng)的聚類中心，確定該樣本的類別；記確定類別c的重構(gòu)特征為

步驟5，針對目標域數(shù)據(jù)集中每種類別，均根據(jù)目標域數(shù)據(jù)集中該種類別所有樣本對應(yīng)的重構(gòu)特征，計算并更新目標域數(shù)據(jù)集該種類別的聚類中心；

步驟6，重復步驟4、5進行聚類迭代，直到聚類迭代收斂或達到聚類最大迭代次數(shù)；

步驟7，通過最小化目標函數(shù)，更新源域復卷積神經(jīng)網(wǎng)絡(luò)和目標域復卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；

步驟8，返回執(zhí)行步驟3，直到源域和目標域?qū)?yīng)的復卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)收斂，此時目標域數(shù)據(jù)集各樣本的類別即為最終地物分類類別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟7所述的目標函數(shù)為：

f＝loss^{cross entropy}+βD^CWD

式中，loss^{cross entropy}為源域分類的交叉熵損失，D^CWD為源域、目標域的所有類別的數(shù)據(jù)分布之間的對比性Wishart差異，β為正則項系數(shù)，且有：

其中，μ_cc(y，y′)為判別函數(shù)，CD_cc表示源域與目標域的相同類別內(nèi)數(shù)據(jù)點之間的距離，CD_cc′表示源域與目標域的不同類別c與c′樣本間的距離，且有：

CD_cc＝WD，

其中，WD是指Wishart距離，

表示參數(shù)為θ的源域復卷積神經(jīng)網(wǎng)絡(luò)根據(jù)輸入樣本預測輸出標簽為的概率，概率值由softmax分類器得到；

表示源域數(shù)據(jù)樣本的真實標簽，表示目標域數(shù)據(jù)樣本聚類所得標簽；

n_s表示源域數(shù)據(jù)集中的樣本數(shù)量，n_t表示目標域數(shù)據(jù)集中的樣本數(shù)量；

表示源域與目標域的相同類別數(shù)據(jù)點之間的對比性Wishart差異,表示源域與目標域的不同類別數(shù)據(jù)點之間的對比性Wishart差異；

e₁表示的是對于所有類別的以下距離之和：目標域與源域相同類別樣本在重構(gòu)特征空間上的距離；e₂表示的是對于所有類別的以下距離之和：目標域與源域不同類別樣本在重構(gòu)特征空間上的距離；

表示源域復卷積神經(jīng)網(wǎng)絡(luò)根據(jù)樣本輸出的重構(gòu)矩陣，表示對求逆運算；表示目標域復卷積神經(jīng)網(wǎng)絡(luò)根據(jù)樣本輸出的重構(gòu)矩陣，表示對求逆運算；

表示n_t個目標域樣本對應(yīng)的聚類標簽Z表示的是源域與目標域樣本的重構(gòu)矩陣的統(tǒng)稱。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟7最小化目標函數(shù)前，先對目標域數(shù)據(jù)集中參與的各類型樣本子集以及樣本進行預處理，包括：

(1)確定參與目標函數(shù)計算的樣本：對于各類型樣本子集中的每個樣本，若樣本距自身類別聚類中心的wishart距離超過給定閾值tv∈[0，1]，則該樣本不參與本次網(wǎng)絡(luò)參數(shù)更新過程的目標函數(shù)計算；

(2)確定參與目標函數(shù)計算的樣本類型：基于確定的參與目標函數(shù)計算樣本，統(tǒng)計目標域數(shù)據(jù)集中每種類型包括的樣本數(shù)，若某種樣本類型包括的樣本數(shù)低于給定閾值δ，則該樣本類型不參與本次網(wǎng)絡(luò)參數(shù)更新過程的目標函數(shù)計算。